mAP二三摘要

一、mAP相关概念
1、正例与负例
现在假设我们的分类目标只有两类，计为正例（positive）和负例（negtive），然后我们就能得到如下的四种情况：
（1）True positives(TP): 被正确地划分为正例的个数，即实际为正例且被分类器划分为正例的实例数（样本数）；
（2）False positives(FP): 被错误地划分为正例的个数，即实际为负例但被分类器划分为正例的实例数；
（3）False negatives(FN):被错误地划分为负例的个数，即实际为正例但被分类器划分为负例的实例数；
（4）True negatives(TN): 被正确地划分为负例的个数，即实际为负例且被分类器划分为负例的实例数。

2、P（精确率）
P 代表 precision，即精确率，精确率表示预测样本中实际正样本数占所有正样本数的比例，计算公式为：

精确率 = 正确预测样本中实际正样本数 / 所有的正样本数

即 precision = TP/（TP+FP）；

3、R（召回率）
R 代表 recall ，即召回率，召回率表示预测样本中实际正样本数占所有预测的样本的比例，计算公式为：

召回率 = 正确预测样本中实际正样本数 /实际的正样本数

即 Recall = TP/(TP+FN) ；一般来说，召回率越高，准确率越低。

4、ACC（准确率）
ACC 代表 Accuracy，即准确率，准确率表示预测样本中预测正确数占所有样本数的比例，计算公式为：

准确率 = 预测样本中所有被正确分类的样本数 / 所有的样本数

即 ACC = （TP+TN）/（TP+FP+TN+FN）；

5、AP（平均精确度）
AP 代表 Average Precision，即平均精确度。