Precision、Recall and Mean Average Precision（MAP）

最新推荐文章于 2025-06-10 10:31:42 发布
最新推荐文章于 2025-06-10 10:31:42 发布
阅读量3.9k 收藏 5
点赞数 3
CC 4.0 BY-SA版权
分类专栏： 植物种类鉴别 文章标签： 检索 基本概念 precision recall MAP
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/HIT_ChenPeng/article/details/54426564
本文介绍了Precision、Recall和Mean Average Precision（MAP）等信息检索和分类评估指标。Precision是正确检测的正例占所有检测为正例的比例，Recall是正确检测的正例占所有正例的比例。MAP是平均精度的平均值，常用于评价检索系统的性能。文章通过具体的计算过程和应用场景帮助理解这些概念。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

论文 [1] 介绍了一种用于形状分类的metric，理论部分作者给出几组shape inference 的例子说明该metric的完备性。在实际应用部分，作者将该metric用到了植物种类的检测中。该应用涉及几个评价指标：Precision, Recall and Mean Average Precision(MAP).

基本概念

二元检测结果存在四种情况：true positive(TP), true negative(TN), false positive(FP), false negative(FN).

在文本检索中，True or False 对应为 Relevant or Not-Relevant；positive or Negative 对应为 Retrieved or Not-Retrieved。

昨天第一次接触检索我有点心急。还没有区分清楚retrieved 、 relevant这俩基本概念的情况下，开始看准确度和召回率的定义。看得是一头雾水，特别是precision-recall曲线，真不知道该怎么画。

Precision准确度

准确度 公式：

P=TPTP+FP=
最低0.47元/天 解锁文章

200万优质内容无限畅学
如何在已有的Mask rcnn训练结果中提取mAP50、Precision和Recall这三个指标？
**My Coding Family**
04-30 886
🏆 本文收录于《全栈Bug调优(实战版)》专栏，致力于分享我在项目实战过程中遇到的各类Bug及其原因，并提供切实有效的解决方案。无论你是初学者还是经验丰富的开发者，本文将为你指引出一条更高效的Bug修复之路，助你早日登顶，迈向财富自由的梦想🚀！同时，欢迎大家关注、收藏、订阅本专栏，更多精彩内容正在持续更新中。让我们一起进步，Up！Up！Up！    备注： 部分问题/难题源自互联网，经过精心筛选和整理，结合数位十多年大厂实战经验资深大佬经验总结所得，数条可行方案供所需之人参考。
Recall, Precision, and Average Precision
三少GG
11-27 1万+
信息检索（IR）的评价指标介绍 - 准确率、召回率、F1、mAP、ROC、AUC 分类： 1.自然语言处理/机器学习 在信息检索、分类体系中，有一系列的指标，搞清楚这些指标对于评价检索和分类性能非常重要，因此最近根据网友的博客做了一个汇总。 准确率、召回率、F1 信息检索、分类、识别、翻译等领域两个最基本指标是召回率(Recall Rate)和准确率(Precisio
准确率（Precision）、召回率（Recall）以及综合评价指标（F1-Measure ）
weixin_33859665的博客
09-18 595
在信息检索和自然语言处理中经常会使用这些参数，下面简单介绍如下： 准确率与召回率（Precision & Recall） 我们先看下面这张图来加深对概念的理解，然后再具体分析。其中，用P代表Precision，R代表Recall 一般来说，Precision 就是检索出来的条目中（比如：文档、网页等）有多少是准确的，Recall就是所有准确的条目有多少被检索出来了。 ...
模型评估：precision-recall
最新发布
2302_76774649的博客
06-10 690
“Precision-Recall”（精确率-召回率）是二分类或多分类任务中非常常用的两个模型评估指标，特别适用于**类别不平衡（imbalanced data）**的情况，比如垃圾邮件检测、癌症检测、欺诈识别等。Precision=TPTP+FP \text{Precision} = \frac{TP}{TP + FP} Precision=TP+FPTP​你预测有100个垃圾邮件，其中80个是真的垃圾邮件，那么 precision = 80%Recall=TPTP+FN \text{Recall} =
总算搞懂了多标签分类里的P（Precision）、R（Recall）、AP（Average Precision）和mAP（mean Average Precision）！
404 Not Found
06-28 1920
记录一下自己理解的多标签分类任务中的P（Precision）、R（Recall）、AP（Average Precision）、mAP（mean Average Precision）。
模型衡量标准recall precision accuracy f1score（hmean）
weixin_44137397的博客
08-14 5978
模型衡量标准recall precision accuracy f1score（hmean）
准确率(Precision)、召回率(Recall)、F值(F-Measure)、平均正确率（Average Precision, AP），IoU
qq_38410428的博客
01-05 1万+
1、准确率与召回率（Precision & Recall） 准确率和召回率是广泛用于信息检索和统计学分类领域的两个度量值，用来评价结果的质量。其中精度是检索出相关文档数与检索出的文档总数的比率，衡量的是检索系统的查准率；召回率是指检索出的相关文档数和文档库中所有的相关文档数的比率，衡量的是检索系统的查全率。 若一个实例是正类，但是被预测成为正类，即为真正类(True Postive ...
Mean Average Precision（MAP）：平均精度均值
weixin_42749767的博客
09-17 1万+
1.MAP可以由它的三个部分来理解：P,AP,MAP P（Precision）精度，正确率。在信息检索领域用的比较多，和正确率一块出现的是召回率Recall。对于一个查询，返回了一系列的文档，正确率指的是返回的结果中相关的文档占的比例，定义为： precision=返回结果中相关文档的数目/返回结果的数目； 而召回率则是返回结果中相关文档占所有相关文档的比例，定义为：Recall=返回结果中相关文...
目标检测：mAP (Mean Average Precision)
thujiang000的博客
01-31 6154
目标检测，mAP解释
目标检测（Object Detection）中性能衡量指标mean Average Precision（mAP）的含义与计算
热门推荐
咚咚锵的博客
04-18 4万+
背景   之前在研究Object Detection的时候，只是知道Precision这个指标，但是mAP（mean Average Precision）具体是如何计算的，暂时还不知道。最近做OD的任务迫在眉睫，所以仔细的研究了一下mAP的计算。其实说实话，mAP的计算，本身有很多现成的代码可供调用了，公式也写的很清楚，但是我认为仔细的研究清楚其中的原理更重要。   AP这个概念，其实主要是在...
PR(Precision-Recall)曲线和mAP指标
weixin_30834019的博客
10-18 1163
来自： https://www.zhihu.com/question/41540197 https://www.douban.com/note/518998773/ 作者：水哥链接：https://www.zhihu.com/question/41540197/answer/91698989来源：知乎著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 在图像中，...
Precision和Recall​
weixin_42035080的博客
09-22 3568
2021-09-22 Precision和Recall 首先，Precision和Recall都是评估正类的，分子都是TP。 Precision: 精确率，也称“查准率”，是基于我们的预测结果的，在我们的预测结果中，与标签相比，正确预测的记为TP，错误预测的记为FP。 Precison = TP / (TP + FP) Recall:召回率，也称“查准率”，是基于原样本中所有正类的，在我们的预测结果中，与标签相比，正确预测的记为TP，没预测出的记为FN（也称漏检，即把原样本中的正类预测为负类）。R.
【机器学习】准确率(Accuracy), 精确率(Precision), 召回率(Recall)和F1-Measure
一米阳光-的博客
12-26 2万+
在机器学习、数据挖掘、推荐系统完成建模之后，需要对模型的效果做评价。 业内目前常常采用的评价指标有准确率(Precision)、召回率(Recall)、F值(F-Measure)等，下图是不同机器学习算法的评价指标。下文讲对其中某些指标做简要介绍。 ps:很多资料上将精确度precision称为准确率，实际真正严格来讲，准确率和精确率是有区别的，周志华老师的书中称为查准率。 Recall，周...
【深度学习理论】Mean Average Precision 计算
小小小草儿的博客哟
03-12 6294
Precision = 检测正确的正样本数 / 总的检测样本（top-n） Recall = 检测正确的正样本数 / 总正样本（top-all） \qquad一般来说，Precision与Recall的效果是成反比的，简单的说，如果将所有检测样本识别为正样本，那么Recall=1，但是Precision却会降低。 来自博客的一张图片：http://blog.sina.com.cn/s/blo...
mean average precision 定义以及计算
tangzy_的博客
05-31 7043
mean average precision 即对所有类的average precision的平均，一个类的averege precision计算有两种， 一种是11点插值法，voc 08年以前用。11-points interpolated average precision as defined by TREC. This is the average of the maximum
precision (查准率，精确率) / recall (查全率，召回率) / average precision (平均精确率)
程永强
07-23 4851
precision (查准率，精确率) / recall (查全率，召回率) / average precision (平均精确率) It’s a bird… it’s a plane… it… depends on your classifier’s threshold https://sanchom.wordpress.com/2011/09/01/precision-recall/ E...
原理详解AUC、ROC和average precision (AP)以及sklearn实战
qq_43391414的博客
09-11 8600
文章目录前言TPR,FPRROCAOC鸣谢 前言 开门见山，想要知道AOC必须知道ROC，想要知道ROC必须知道TPR,FPR， 完。 TPR,FPR EXAMPLE 1: 我们有一个模型算法，它能够根据一系列的属性（比如身高、爱好、衣着、饮食习惯等）来预测一个人的性别是男还是女。 下面是这个模型算法对10个人的是男还是女的预测值和10个人的真实值。其中预测值为0.72表示72%的概率认为是男，28%的概率认为是女。 如果我们设定区分男女的阈值是0.5，那么预测值大于0.5的都是男性，小于0.5都是女性。
机器学习评价指标：AUCPR/AUC-ROC、混淆矩阵、五折交叉
强化学习曾小健
04-10 1450
AUC-ROC的影响：AUC-ROC衡量的是模型在所有可能的阈值下的整体性能。模型性能的评估：在类别不平衡的情况下，AUC-PR比AUC-ROC更能反映模型在实际应用中的性能。使用适合不平衡数据集的算法：某些机器学习算法，如XGBoost、LightGBM等，具有处理不平衡数据集的能力，可以考虑使用这些算法。总之，当AUC-PR较低而AUC-ROC较高时，很可能是由于数据集存在类别不平衡问题。使用适合不平衡数据集的评估指标：除了AUC-PR，还可以使用其他适合不平衡数据集的评估指标，如。
二分类评估指标：PR曲线、ROC、AUC
qq_41021141的博客
09-29 2684
预测 \ 真实 0 1 0 TN FN 1 FP TP PR曲线： 首先，Precision = TP / (FP + TP)；Recall = TP / (FN+ TP) 一般情况下二分类的分类阈值取0.5（即【预测为1的概率】≥0.5时将该样本预测为1类，否则预测为0类）。如果取不同的分类阈值时，会有不同的分类结果，对应有不同的P、R值 PR曲线就是取不同分类阈值时得到的(P,R)值所对应坐标点(横坐标为P值，纵坐标为R值)连成的曲线 ...
mean Average Precision(map)
03-13
### Mean Average Precision (mAP) 的定义 Mean Average Precision (mAP) 是一种广泛用于评估信息检索系统和目标检测模型性能的度量标准。该指标综合考虑了查准率(Precision) 和查全率(Recall)，能够更全面地反映系统的整体表现。 在信息检索领域，mAP 表示的是所有查询平均精度的均值[^3]。对于每一个单独的查询请求而言，先计算其对应的 AP 值(Average Precision)，再取这些 AP 值的算术平均即得到最终的 mAP 结果。 而在对象检测任务中，mAP 则衡量不同类别上预测框与真实标注框之间的匹配程度。具体来说，针对每一类物体分别统计 TP(True Positive), FP(False Positive) 及 FN(False Negative)[^1]。 ### 计算方法 #### 对于信息检索： 1. 针对单个查询 q，按照文档的相关性得分排序； 2. 根据实际相关情况标记每个返回项是否为正样本； 3. 使用下列公式逐个位置 i 更新当前累计 P@i（Precision at position i），其中 rel(i)=1 若第 i 位是相关项目，否则为0；nrel(q)表示查询q下的总相关数： \[ \text{P}(i|q) = \frac{\sum_{j=1}^{i}\mathrm{rel(j)}}{i},\quad \forall i : \mathrm{rel}(i)=1 \] 4. 将上述过程中获得的所有非零 P@i 平均化作为此查询 Q 下的 AP 值； 5. 最终通过求解所有测试集中各查询下 AP 的简单平均值得到整个数据集上的 mAP。 #### 对象检测中的实现方式略有差异： - 主要区别在于如何判断两个边界框之间是否存在重叠以及设定 IoU(Intersection over Union)阈值来决定真阳性和假阳性。 - 当前普遍采用 COCO 数据集所使用的评价方案，在多个不同的 IoU 阈值水平上来累积 PR 曲线并据此得出每种类别的 AP 后再次做平均形成全局 mAP 指标。 ```python def calculate_map(precisions, recalls): """ Calculate mean average precision given lists of precisions and recalls. Args: precisions (list): List containing precision values. recalls (list): List containing recall values. Returns: float: Calculated MAP value. """ aps = [] unique_recalls = sorted(set(recalls)) for r in unique_recalls: p_interpolated = max([p for p, rec in zip(precisions, recalls) if rec >= r], default=0) aps.append(p_interpolated) return sum(aps)/len(unique_recalls) if len(unique_recalls)>0 else 0 ```
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值