map(macro average precision) 与 F1score

之前写过关于准确率和召回率： http://blog.csdn.net/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!