map(macro average precision) 与 F1score

最新推荐文章于 2025-07-09 21:37:50 发布
最新推荐文章于 2025-07-09 21:37:50 发布
阅读量5k 收藏 2
点赞数 3
CC 4.0 BY-SA版权
分类专栏： deep learning 文章标签： map macro 宏平均
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/zjm750617105/article/details/76983923
本文介绍了宏平均准确率(MAP)的概念及其计算方法，并通过一个具体的混淆矩阵例子进行了演示。此外，还详细解释了F1分数的计算过程，帮助读者理解如何平衡分类模型的准确率和召回率。

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

之前写过关于准确率和召回率： http://blog.youkuaiyun.com/zjm750617105/article/details/54914184

MAP (注意大小写，mAP 是mean average precision)， macro average precision， 宏平均准确率：

其实就是 各个类别的准确率的平均值， 每个类别的准确率计算参考上面的链接。

具体例子：
[[ 7 28 0 0 0 0 0 93]
[ 5 28 0 0 0 0 1 85]
[ 2 18 0 0 0 0 0 47]
[ 2 4 0 0 0 0 0 15]
[ 2 8 0 0 0 0 0 15]
[ 2 18 0 0 0 1 1 59]
[ 0 13 0 0 0 0 0 53]
[ 2 18 0 0 0 0 0 180]]
这是一个8*8混淆矩阵，下面计算一个map的值：
p1 = 7/（第1列的和22）
p2 = 28/(第2列的和135)
p3 = 0/(第3列的和0)
p4 = 0/(第4列的和0)
p5 = 0/(第5列的和0)
p6 = 1/(第6列的和1)
p7 = 0/(第7列的和0)
p8 = 180/(第8列的和547)
map = (p1+..+p8)/8 = 23.18%

这个只注重每个类别的准确率，不注重召回率，注意使用条件！

补充一下 F1 score 的计算：
F1 score (平衡F分数)：兼顾分类模型的准确率和召回率，被定义为准确率和召回率的调和平均数。
上面我们计算了每个类别的 precision, 然后我们需要计算每个类别的召回率，然后这里写一个比较简单的F1（precison的权重 beta 为1的情况）的计算公式：
F1_i ＝ （2*precision*recall）/(precision + recall)
F1 = (F1_1+..+F1_8)/8

Done!

【模型评估】Python混淆矩阵、FP、FN、TP、TN、ROC、FROC、mAP、Precision、Recall、Accuracy、F1 score详述与实现
钱多多先森
08-14 4万+
深度学习中，模型评估常用的指标、实现算法汇总。后续还会有几个章节，对其中的各个小点进行详述
模型评估指标：准确率召回率与F1值
AI天才研究院
05-01 1489
1. 背景介绍 在机器学习领域，构建模型只是第一步，评估模型的性能则是至关重要的一环。模型评估指标能够帮助我们量化模型的优劣，并指导模型的改进方向。在众多的评估指标中，准确率、召回率和F1值是最为常见的三个指标，它们分别从不同的角度衡量模型的性能。 1.1 分类问题的评估指标 准确率
mAP与F1-score的区别与联系
weixin_44690215的博客
01-06 2051
F1-score和mAP（Mean Average Precision）都是用于评估分类或目标检测模型性能的指标，但它们有一些区别和不同的应用场景。
评价指标MAP(macro average precision)与mAP(mean average precision)的区别
Jaster_wisdom的专栏
05-07 3362
本篇主要介绍在机器学习中，两个常用的评价指标MAP与mAP的区别，前者MAP是macro average precision, 翻译为宏平均准确率，常用于分类问题中；而后者mAP是mean average precision, 翻译为平均精度均值，常用于目标检测和信息检测领域。两者有一个明显的区别是，mAP需要对结果进行置信度的排序，而MAP只需要给出类别标签即可。 下面...
准确率、精确率、召回率、F1-score
最新发布
Doris525763324的博客
07-09 865
本文介绍了分类模型评估中的重要指标——F1-score，它综合了精确率和召回率，适用于样本不均衡的场景。首先解释了TP、FP、FN、TN等基本概念，然后详细区分了准确率、精确率和召回率的计算方法和含义。通过红球分类和情感分析两个具体示例，展示了如何计算各类指标。在情感分析案例中，分别计算了正面、负面和中立三类别的F1-score，并最终得出0.63的综合评分。文章指出F1-score能平衡精确率和召回率，但在不同业务场景下可能需要侧重不同指标，如误报成本高时关注精确率，漏报成本高时关注召回率。
理解目标检测中的mAP与F1 Score
椰子奶糖的博客
05-20 1万+
文章目录总述IoUTP、TN、FP、FNPrecisionRecallF1-ScoremAPmAP计算过程： 总述 要理解mAP与F1 Score需要一些前置条件，比如：IoU、FP、TP、FN、TN、AP等 IoU 衡量监测框和标签框的重合程度。一张图就能解释。 TP、TN、FP、FN TP，即True Positives，表示样本被分为正样本且分配正确。 TN，即True Negatives，表示样本被分为样本且分配正确。 FP，即False Positives，表示样本被分为正样本但分配错
F1-score, 召回率，准确率，MAP
lijunweiyhn的博客
09-04 2876
用手写数字识别来作为说明。 准确率： 所有识别为”1”的数据中，正确的比率是多少。  如识别出来100个结果是“1”， 而只有90个结果正确，有10个实现是非“1”的数据。 所以准确率就为90% 召回率： 所有样本为1的数据中，最后真正识别出1的比率。  如100个样本”1”, 只识别出了93个是“1”， 其它7个是识别成了其它数据。 所以召回率是93%
AP、mAP、F1 Score、PR曲线、ROC曲线
mathnan的专栏
03-19 3524
1. 基础概念 混淆矩阵： 通过研究该混淆矩阵，可以构造如下几个指标： (1) Accuracy(准确度)： 意义：用于同时衡量分类器对于正负样本的分类正确性。 不足：当测试样本不平衡时，该指标会失去意义。例如：100个样本中负样本占有98个，那么分类器只需将所有样本分为负类即可达到98%的准确度。 公式：accuracy=TP+FNTP+FN+FP+TNaccuracy = \frac{TP + FN}{TP+FN+FP+TN}accuracy=TP+FN+FP+TNTP+FN​ (2) Prece
Beyond Precision and Recall: The Application of F1 Score and ROC Curve
# Beyond Precision and Recall: The Application of F1 Score and ROC Curve # 1. Theoretical Foundation of Precision and Recall In any classification task evaluation, precision and recall are the most ...
目标检测模型的评价标准-AP与mAP
专注计算机视觉算法训练，算法优化部署以及SDK开发的知识分享。
09-08 2047
为了了解模型的泛化能力，即判断模型的好坏，我们需要用某个指标来衡量，有了评价指标，就可以对比不同模型的优劣，并通过这个指标来进一步调参优化模型。对于分类和回归两类监督模型，分别有各自的评判标准，目标检测模型评价指标主要包含 f1、ap、map、roc计算公式及代码实现与auc曲线绘制等。
import pandas as pd from sklearn.model_selection import train_test_split # 导入数据并添加列名 columns = ['buying', 'maint', 'doors', 'persons', 'lug_boot', 'safety', 'Class_Values'] car_data = pd.read_csv('car.data', header=None, names=columns) # 将 Class Values 转换为数字 class_map = {'unacc': 0, 'acc': 1, 'good': 2, 'vgood': 3} car_data['Class_Values'] = car_data['Class_Values'].map(class_map) # 划分训练集和测试集 train_data, test_data = train_test_split(car_data, test_size=0.2, random_state=42) from sklearn.tree import DecisionTreeClassifier from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score # 定义特征变量和目标变量 feature_cols = ['buying', 'maint', 'doors', 'persons', 'lug_boot', 'safety'] target_col = 'Class_Values' # 建立决策树模型 dt = DecisionTreeClassifier(max_depth=5) dt.fit(train_data[feature_cols], train_data[target_col]) # 对测试数据进行预测 y_pred = dt.predict(test_data[feature_cols]) # 计算评估指标 accuracy = accuracy_score(test_data[target_col], y_pred) precision = precision_score(test_data[target_col], y_pred, average='macro') recall = recall_score(test_data[target_col], y_pred, average='macro') f1 = f1_score(test_data[target_col], y_pred, average='macro') print('Accuracy:', accuracy) print('Precision:', precision) print('Recall:', recall) print('F1 Score:', f1)
05-19
这是一个使用决策树模型进行分类的示例代码。首先，导入 Pandas 和 Scikit-learn 库，读取 CSV 文件并添加列名...对测试数据进行预测，并计算评估指标，包括准确率、精确率、召回率、F1 分数。最后打印出这些指标的值。
目标检测评价指标汇总—mAP，PR曲线，F1分数，FPPI，log-average miss rate等
comway_Li的博客
12-26 1万+
对于了解目标检测的评价指标是很重要的，否则自己不懂这个代表什么意思，如何调参。网上有太多资料，可是杂乱，甚至有一乱说，我在学习mAP的时候，记录下自己所学，总结下，也分享出来，也便于自己自己复习。 分为三块，1、解释相关概念 2、 mAP的计算方法 3、比较mAP注意要点 一、解释一些相关概念 1、IoU IoU是预测框与ground truth（真实框）的交集和并集的比值,它可以作为评价...
【论文】F1的单位是%还是1，mAP的单位是%还是1？答：F1的单位是1，mAP的单位是%
孟孟单单的博客
12-04 3265
mAP是用于评估目标检测算法性能的指标，它是所有类别的平均精度（Average Precision）的均值。精度是通过计算检测结果与真实标注框之间的重叠度（IOU，Intersection over Union）来衡量的，它表示检测结果的准确性。mAP的取值范围是0%到100%，其中100%表示最佳性能，0%表示最差性能。F1分数是一种常用的评估指标，主要用于衡量二分类模型的性能。它综合考虑了模型的精确度（Precision）和召回率（Recall），并将它们的加权调和平均作为最终的评估指标。
机器学习之参数-P、R、AP、mAP、F1
AndrewPerfect的博客
07-02 1885
调小的同时增大学习率（learning_rate）是一种常用的策略，旨在保持训练速度的同时提高模型的训练质量。可能使得每次迭代中的噪声增加，从而有助于模型跳出局部最小值；而增大的学习率则有助于模型更快地更新权重。预测样本中实际正样本数。预测样本中实际正样本数。
MAP（mean average precision)平均精度均值
小白cvnice的博客
08-21 9551
precision（精确率）和recall（召回率）的计算 (模型预测为正样本，实际为正样本) (模型预测为负样本，实际为负样本） (模型预测为正样本，实际为负样本） （模型将预测为负样本，实际为正样本) 正确预测的正样本除以被判为正样本（正确判断为正样本的样本和误判为正样本的样本）的比例之和 正确预测的样本和所有正样本的比列 ...
Recall, Precision, and Average Precision
热门推荐
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
目标检测中的一些评价标准（ACC,Precision，recall，AP,MAP,F1Score，ROC,AUC）
justsolow的博客
04-17 8194
目标检测中的一些评价标准（ACC,Precision，recall，AP,MAP,F1Score，ROC,AUC） 介绍这些之前，应该了解一下最基本的TP,TN,FP,FN. 先看一下下面这些解释。 True positives: 简称为TP，即正样本被正确识别为正样本，飞机的图片被正确的识别成了飞机。 True negatives: 简称为TN，即负样本被正确识别为负样本，大雁的图片没有被识别出...
yolo,mAP, F1值, 召回率（Recall），精确率（Precision），(TP,TN,FP,FN)，交除并（Intersection-over-Union（IoU））
分享计算机视觉，C++，网络摄像头研发，音视频开发，嵌入式等知识。
03-19 9353
mAP 平均精度(mAP)是一个度量标准，用于评估对象检测模型，如Fast R-CNN, YOLO, Mask R-CNN等。 mAP formula is based on the following sub metrics（mAP公式基于以下子度量）: Confusion Matrix, Intersection over Union(IoU), Recall, Precision confusion matrix TP: True：表示预测正确，Positives表示预测的结果是正。说明使用的是
优化结果展示：新增mAP和F1值的打印输出
带你成为别人眼中的大佬！
05-31 202
在计算机视觉领域，模型的性能指标往往是我们关注的焦点。为了更加丰富、准确地展示模型的效果，我们在原有的结果打印输出上进行了优化。具体地，我们在原有的打印输出中新增了mAP和F1值的输出，让读者可以更加直观地了解模型的准确率以及综合性能。同时，为了让结果更加易读易懂，我们还进行了原始风格的修改，让界面更加简洁美观。同时，我们还在表格输出前加入了一些简洁明了的文字标注，让结果更加整洁易读。通过本次优化，我们能够更加清晰地了解模型的性能表现，从而对训练效果进行更加深入的分析和调整。希望这篇文章对大家有所帮助。
评论 2
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