Mean Average Precision

mean average precision简称ｍAP，以前一直不懂什么意思，现在写篇博客记录一下。

Precision

我们先来讨论一下，Precision是怎么算的。假如我们有2000个样本，1000正样本，1000个负样本。我们用某个方法进行分类，标记出来300个样本是正样本。现在，我们知道，任何分类方法都不会有百分之百的正确率。所以标记出来的300个分类的样本里，肯定有被分错的样本。假如100个正样本,200个负样本，也就是说，这个分类方法把200个负样本给当成正样本给分类了。那么Precision就是100/300　＝　66％。也就是检测出来的正样本数/检测出来的总数。

Recall

Recall和Precision十分类似，还是上面的例子，Recall是检测出来的正样本数/所有正样本个数，这个例子中，所有正样本的个数为1000。所以Recall = 100/1000 = 10%

mAP

有了这两个概念，我们就可以介绍mAP的概念了。

我们来举一个新的例子。
假设有一个搜索引擎，根据搜索引擎，有如下结果:

搜索１相关的样本总共有５个: 正，正，正，正，正
Rank１　　　正，负，正，负，负，正，负，负，正，正
Recall　　　 0.2，0.2，0.4，0.4，0.4，0.6，0.6，0.6，0.8，1.0
Precision 1.0，0.5，0.66，０.5，0.4，0.5，0.42，0.38，0.44，0.5
Precision从左到右1.0/1, 1/2, 2/3, 2/4以此类推 　　　

搜索２相关样本总共有３个，以下是搜索引擎返回的结果
Rank2 正，负，负，正，正，负，负
Recall 0.33，0.33，0.33，0.66，1，1，１
Precision 1.0，0.5，0.３3，0.５，0.６，0.5，0.4

我们把每个正样本所对应的Precision求平均
搜索１的mAP:　mAP = (1 + 0.66 + 0.5 + 0.5 + 0.44 + 0.5) / 5 = 0.72
搜索２的mAP: ｍAP = (1 + 0.33 + 0.5) / 3 = 0.61

整体的mAP = (0.72 + 0.61) /2 　＝　0.665

这个就是mAP大概的计算过程。希望能帮到大家，排版问题我自己也无法解决。。。抱歉了大家。