性能评价指标（P AP mAP）

性能评价指标：

评价模型的好坏的各种不同的指标。常用的性能评价指标有：错误率&精度、准确率&召回率、AP&mAP等。

• 错误率&精度

针对数据集D和学习器f而言：

1、错误率：分类错误的样本数占总样本的比例

2、精度：分类正确的样本数占总样本的比例

• 准确率&召回率

信息检索中，我们经常会关心“检索出的信息有多少比例是用户感兴趣的”以及“用户感兴趣的信息中有多少被检索出来”，用精度和错误率就描述不出来了，这就需要引入准确率（precision，亦称查准）和召回率（recall，亦称查全）。

求解公式：

1、准确率：预测结果中有多少是真的正（测试总个数中预测正确的比例）

2、召回率：所有正样本中预测正确的个数（找回来了几个）

一般来说，我们希望上述两个指标都是越高越好，然而没有这么好的事情，准确率和召回率是一对矛盾的度量，一个高时另一个就会偏低，当然如果两个都低，那肯定时哪点除了问题。

• AP&mAP

1、p: precision，预测正确的个数/测试总个数

2、AP：average precision，每一类别P值的平均值

3、mAP：mean average precision，对所有类别的AP取均值。  多标签图像分类任务中图片的标签不止一个，因此评价不能用普通单标签图像分类的标准，即mean accuracy，该任务采用的是和信息检索中类似的方法—mAP（mean Average Precision），虽然其字面意思和mean accuracy看起来差不多，但是计算方法要繁琐得多。

具体参见链接