详细解释mAP@10，mAR@10，Prec@10

信息检索常用评价指标解析
最新推荐文章于 2025-04-11 10:28:18 发布
原创 最新推荐文章于 2025-04-11 10:28:18 发布 · 1.7k 阅读 · 18 ·
CC 4.0 BY-SA版权
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。
文章标签：

#算法 #人工智能 #机器学习

系列文章目录

文章目录

在信息检索和推荐系统中，mAP@10、mAR@10和Prec@10是常用的评价指标，它们用于衡量检索结果的质量。以下是对这三个指标的详细解释：

1. 精确度（Precision, Prec@N）

精确度是指在检索结果中，相关文档占总检索结果的比例。具体来说，Prec@10表示在前10个检索结果中，有多少个是相关的。计算公式为：

Prec@10 = Relevant Documents in Top 10 Total Documents in Top 10 = T P T P + F P \text{Prec@10} = \frac{\text{Relevant Documents in Top 10}}{\text{Total Documents in Top 10}} = \frac{TP}{TP + FP} Prec@10=Total Documents in Top 10Relevant Documents in Top 10​=TP+FP

最低0.47元/天 解锁文章
平均精度 (mAP)：常见定义、误区和误解
DT程序员的博客
07-12 914
​ 深入介绍了如何正确计算和使用平均平均精度 (mAP) 和平均平均召回率 (mAR) 进行对象检测，同时消除对 AP、mAP 和第三方库（例如 TorchMetrics 或 pycocotools）的常见误解。 ​
【目标检测】评价指标mAP，mAR，IOU
qq_44992785的博客
03-21 4046
目标检测评价指标
MAP_K 检索评估指标
iterate7的博客
05-24 3366
1. MAP_K MAP: mean average precision. precision很容易理解；precision@10表示检索10个文档中包含相关所占的比例， 比如检索了10个，有9个是相关的，那么 precision@10=0.9 average precision, 也容易理解。 可以看p1，p2，p3，p4，p5，p6的平均值；就是 ap6的值 mean 则是对所有的case求mean则是结果。 [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(im
MS COCO:指标问题 MAP,MAR: 以项目:mmdetection(v1.0rc0)为例
baidu_40840693的博客
11-01 3773
COCO数据集： { "info": info, "licenses": [license], "images": [image], "annotations": [annotation], "categories": [category] } 数据集信息 许可 类别：大类-小类(80) images：40504 annotati...
MS COCO:指标问题(续集) MAP,MAR: 以项目:mmdetection(v1.0rc0)为例-coco拆分合并
baidu_40840693的博客
11-11 4779
MS COCO:指标问题 MAP,MAR: 以项目:mmdetection为例 https://blog.youkuaiyun.com/baidu_40840693/article/details/102852404 上次只关注了怎么计算mAP，mAR，但是一些可视化的显示没有关注，输出的数据不够直观 Python 为目标检测任务绘制 ROC 和 PR 曲线 https://github.co...
算法工程师面试备战笔记10_精确率(precision)和召回率(recall)
kaggle expert，全球排名前1000，清华计算机研究生，兴趣算法工程
02-10 494
混淆矩阵 True Positive(真正, TP)：将正类预测为正类数. True Negative(真负 , TN)：将负类预测为负类数. False Positive(假正, FP)：将负类预测为正类数 → 误报 (Type I error). False Negative(假负 , FN)：将正类预测为负类数 → 漏报 (Type II error). 精确率(precision)定义为： 需要注意的是精确率(precision)和准确率(accuracy)是不一样的， ..
机器学习、深度学习评价指标汇总：TP、TN、FP、FN、AP、mAP、IoU、mAP@3、Prec@10、 Acc@10
buyaotutou的博客
10-10 2603
真正例 (True Positive, TP)模型正确地将正类（例如，某种疾病存在）预测为正类的实例数量。假正例 (False Positive, FP)模型错误地将负类（例如，某种疾病不存在）预测为正类的实例数量。这通常被称为“误报”。真负例 (True Negative, TN)模型正确地将负类预测为负类的实例数量。假负例 (False Negative, FN)模型错误地将正类预测为负类的实例数量。这通常被称为“漏报”。真正例和真负例反映了模型的正确预测能力。假正例和假负例。
Epoch 1 [38.4 s] loss=1.1197 [0.0 s] Epoch 2 [19.6 s] loss=0.7469, map=0.0661, prec@1=0.1755, prec@5=0.0869, prec@10=0.0630, recall@1=0.0252, recall@5=0.0613, recall@10=0.0885, [626.0 s] Epoch 3 [19.7 s] loss=0.5829 [0.0 s] Epoch 4 [19.5 s] loss=0.4982, map=0.0783, prec@1=0.1951, prec@5=0.0974, prec@10=0.0716, recall@1=0.0295, recall@5=0.0714, recall@10=0.1039, [628.0 s] Epoch 5 [23.9 s] loss=0.4435 [0.0 s] Epoch 6 [20.7 s] loss=0.4032, map=0.0830, prec@1=0.1894, prec@5=0.1039, prec@10=0.0767, recall@1=0.0295, recall@5=0.0772, recall@10=0.1125, [599.4 s] Epoch 7 [60.0 s] loss=0.3728 [0.0 s] Epoch 8 [29.7 s] loss=0.3487, map=0.0854, prec@1=0.1919, prec@5=0.1065, prec@10=0.0782, recall@1=0.0295, recall@5=0.0790, recall@10=0.1147, [588.8 s] Epoch 9 [27.3 s] loss=0.3271 [0.0 s] Epoch 10 [23.7 s] loss=0.3083, map=0.0888, prec@1=0.2027, prec@5=0.1109, prec@10=0.0806, recall@1=0.0316, recall@5=0.0831, recall@10=0.1180, [570.3 s] Epoch 11 [30.1 s] loss=0.2936 [0.0 s] Epoch 12 [25.7 s] loss=0.2786, map=0.0883, prec@1=0.1951, prec@5=0.1079, prec@10=0.0796, recall@1=0.0306, recall@5=0.0807, recall@10=0.1172, [576.2 s] Epoch 13 [50.6 s] loss=0.2659 [0.0 s] Epoch 14 [35.1 s] loss=0.2540, map=0.0918, prec@1=0.2033, prec@5=0.1119, prec@10=0.0825, recall@1=0.0321, recall@5=0.0841, recall@10=0.1213, [574.4 s] Epoch 15 [25.8 s] loss=0.2427 [0.0 s] Epoch 16 [22.4 s] loss=0.2342, map=0.0924, prec@1=0.2014, prec@5=0.1145, prec@10=0.0841, recall@1=0.0317, recall@5=0.0862, recall@10=0.1231, [575.3 s] Epoch 17 [27.1 s] loss=0.2246 [0.0 s] Epoch 18 [23.5 s] loss=0.2171, map=0.0914, prec@1=0.1972, prec@5=0.1119, prec@10=0.0827, recall@1=0.0314, recall@5=0.0847, recall@10=0.1222, [572.8 s] Epoch 19 [22.5 s] loss=0.2087 [0.0 s] Epoch 20 [21.7 s] loss=0.2027, map=0.0939, prec@1=0.2068, prec@5=0.1137, prec@10=0.0837, recall@1=0.0328, recall@5=0.0859, recall@10=0.1237, [575.0 s] Epoch 21 [23.8 s] loss=0.1962 [0.0 s] Epoch 22 [20.7 s] loss=0.1912, map=0.0949, prec@1=0.2043, prec@5=0.1154, prec@10=0.0856, recall@1=0.0327, recall@5=0.0876, recall@10=0.1269, [563.9 s] 400字结果分析
05-19
这段代码是一个训练神经网络的过程，其中的 loss 表示模型在训练数据上的损失，map 表示平均精度均值，prec@1-10 和 recall@1-10 分别表示模型在预测前1-10个结果时的准确率和召回率。通过观察这些指标的变化，可以...
YOLOv9c源模型的mAP@.5 Precision Recall mAP@.5:.95
05-13
嗯，用户的问题是关于YOLOv9c源模型的性能指标，包括mAP@0.5、Precision、Recall和mAP@0.5:0.95这些数据。我需要先确认自己是否了解这些指标的具体含义以及YOLOv9c的相关信息。首先，YOLO系列模型是目标检测领域常用...
prec
03-31
标题中的"prec"可能是指一个项目、库或者特定的编程概念，但在提供的信息中没有足够的细节来明确它的具体含义。然而，我们可以从描述中推测这可能与处理或操作乳胶（LaTeX）文档有关。LaTeX是一种基于TeX的排版系统...
图像检索评价指标：mAP@k、mAP的计算
liupc的学习笔记
08-05 1万+
一、mAP(mean Average Precision，平均检索精度) 【原理】 很多地方喜欢用这张图来解释，确实画的很好。这张图是求mAP@10的结果。 mAP@k，就是查询的时候返回k张图片，然后计算mAP。 mAP呢，就是对所有的结果都进行排序。k就等于gallery数据集的大小了。 【举例】 假设有3张图片，这三张图片的哈希码为：query1=[1,-1,1,1]， query2=[-1,1,-1,-1]，query3=[1,-1,-1,-1]。 数据库中有7张图片，对应的哈
信息检索P@10、MAP、NDCG，及同一指标计算的差别
热门推荐
more_ugly_less_bug的博客
01-16 4万+
问题源于我在重现一篇信息检索方面顶会论文实验的时候，始终计算不出与论文中相同的实验结果。论文的实验用到了P@10，MAP,NDCG@10三种指标。我先是用了Galago提供的计算工具，发现除P@10一项指标结果一致外，MAP,NDCG@10两项都有很大的不同。经过观察发现虽然实验结果的数据不同，但是实验结果的趋势是相同的（实验是对几种排名算法进行评比，尽管得到了不同的数据，但是用这些数...
信息检索IR评价中常见的评价指标-MAP\NDCG\ERR\P@10等
古月哲亭
04-16 7786
信息检索评价是对信息检索系统性能（主要满足用户信息需求的能力）进行评估的活动。通过评估可以评价不同技术的优劣，不同因素对系统的影响，从而促进本领域研究水平的不断提高。信息检索系统的目标是较少消耗情况下尽快、全面返回准确的结果。 IR的评价指标，通常分为三个方面： （1）效率(Efficiency)—可以采用通常的评价方法：时间开销、空间开销、响应速度。 （2）效果(Effectiveness)：返...
信息检索中常用的评价指标：MAP,nDCG,ERR,F-measure
tzl2093的博客
04-10 1万+
知识点文本检索常用的评价指标：MAP、nDCG、ERR、F-score/F-measure以及附加的Precision、Recall、AveP、CG、DCG、IDCG、MRR、cascade models 一，MAP Precision(P)： 准确率(精确度)是指检索得到的文档中相关文档所占的比例，公式如下： precision=|{relevantdocuments}⊆{ret
推荐算法分析
m0_62667322的博客
03-21 1556
尝试更复杂的融合方法：考虑使用更复杂的融合策略，比如加权平均法、XGBoost 或 LightGBM。调整 DNN 模型结构：增加更多的层数或调整超参数，增加训练 epoch，避免过拟合。更多特征输入：除了传统的评分数据，尝试引入更多的用户和物品元数据（例如，用户年龄、性别，物品类别等）作为输入。基于 DNN 的推荐模型优化：如果 DNN 作为重要的组成部分，确保嵌入层和网络结构能够有效地捕捉用户和物品之间的复杂交互。关注多样性和个性化。
Precision@K 和 Recall@K 在推荐系统中的应用
爱猫的小学森
10-02 2230
Precision@K 和 Recall@K
信息检索（Information Retrieval, IR）领域中广泛使用的标准评估指标（Hits@10、Hits@4、MAP@10、MRR@10）
陈开心的博客
04-11 1123
RAG 系统评估指标
precision@k
weixin_35751412的博客
12-27 1116
precision@k是一种衡量推荐系统(或者搜索系统)的指标。它表示的是在前k个推荐(或者搜索结果)中，有多少个是正确的(也就是说用户会感兴趣的)。 具体来说，假设我们有一个推荐系统，它向用户推荐了k个物品。假设其中有p个物品是用户感兴趣的，那么precision@k=p/k。 例如，如果我们的推荐系统向用户推荐了10个物品，其中有7个是用户感兴趣的，那么precision@10=7/10=0....
评测标准召回率Recall@K的理解与解析
qq_38343151的博客
09-18 8151
如图： 定义 总共红色边框为all_negative=5 (负样本) 总共绿色边框为all_positive=5（正样本） top-k推荐：从最后的按得分排序的推荐列表中返回前k个结果。 Precision准确率是检索出相关结果数与检索出的结果总数的比率，衡量的是检索系统的查准率 Recall@K召回率是指前topK结果中检索出的相关结果数和库中所有的相关结果数的比率，衡量的是检索系统的查全率。 top1中: 召回率 Recall@1=正样本数/all_positive=1/5=0.2 准确率 Pr..
prec@recall=60%
最新发布
06-25
在信息检索或机器学习模型中，评估召回率为60%时的精确率性能（Precision at 60% Recall）是一种衡量模型在特定召回水平下准确性的方法。这种指标通常用于比较不同模型在相同数据集上的表现，尤其是在需要权衡精确率和召回率的应用场景中。 ### 精确率与召回率的关系 精确率（Precision）是指被模型预测为正类的样本中，实际确实是正类的比例。而召回率（Recall），也称为查全率，是指所有真实正类样本中，被正确识别出来的比例。两者共同构成了评估分类器性能的基础[^1]。 当设定召回率为60%，即要求模型能够找出所有真实正类样本中的60%，此时计算对应的精确率可以揭示模型在这个特定召回水平下的准确性。这一数值越高，说明模型在保证一定召回能力的同时，也能较好地控制误报的数量。 ### 如何计算Precision at 60% Recall 要计算Precision at 60% Recall，首先需要通过调整模型的决策阈值来达到大约60%的召回率。一旦确定了这个阈值，就可以计算此时的精确率： $$ Precision = \frac{TP}{TP + FP} $$ 其中： - $ TP $ 是真正例数，即被模型正确预测为正类的真实正类样本数量。 - $ FP $ 是假正例数，即被模型错误预测为正类的真实负类样本数量。 ### 实现步骤 1. **收集预测结果**：运行模型以获取每个测试样本属于正类的概率或得分。 2. **排序与选择**：根据这些概率或得分对样本进行降序排列，并依次选取直到满足60%的召回率条件。 3. **计算精确率**：统计在这部分选中的样本中，有多少是真正的正类样本，以此来计算精确率。 ### 注意事项 - 在实践中，可能需要多次调整阈值才能精确达到所需的召回率。 - 不同的数据集可能会导致同样的模型有不同的表现，因此确保数据分布的一致性非常重要。 - 此外，由于精确率和召回率之间存在内在的权衡关系，追求高召回率往往会导致较低的精确率，反之亦然。因此，在实际应用中应当根据具体需求选择合适的平衡点。 ### 示例代码 以下是一个简单的Python示例，演示如何使用`sklearn`库中的函数来计算Precision at 60% Recall： ```python from sklearn.metrics import precision_recall_curve import numpy as np # 假设y_true是真实的标签，scores是模型输出的概率或得分 y_true = np.array([0, 0, 1, 1]) scores = np.array([0.1, 0.4, 0.35, 0.8]) precision, recall, thresholds = precision_recall_curve(y_true, scores) # 寻找最接近60% recall的索引 closest_index = np.argmin(np.abs(recall - 0.6)) precision_at_60_recall = precision[closest_index] print(f"Precision at approximately 60% recall: {precision_at_60_recall}") ``` 这段代码展示了如何利用`precision_recall_curve`函数得到不同阈值下的精确率和召回率曲线，然后找到最接近60%召回率的那个点对应的精确率值。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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