mAP(mean average precision)
来源:互联网 发布:用js写九九乘法表 编辑:程序博客网 时间:2024/06/05 00:32
免责声明:本文仅代表个人观点,如有错误,请读者自己鉴别;如果本文不小心含有别人的原创内容,请联系我删除;本人心血制作,若转载请注明出处
这几天看了几篇文章,看到VOC 2007数据集时,看到评判指标mAP,不甚理解,查阅了资料,现总结如下:
P(Precision)正确率,找回率Recall。对于一个查询,返回了一系列的文档,正确率指的是返回的结果中相关的文档占的比例,定义为:precision=返回结果中相关文档的数目/返回结果的数目;
而召回率则是返回结果中相关文档占所有相关文档的比例,定义为:Recall=返回结果中相关文档的数目/所有相关文档的数目。
正确率只是考虑了返回结果中相关文档的个数,没有考虑文档之间的序。对一个搜索引擎或推荐系统而言返回的结果必然是有序的,而且越相关的文档排的越靠前越好,于是有了AP的概念。对一个有序的列表,计算AP的时候要先求出每个位置上的precision,然后对所有的位置的precision再做个average。如果该位置的文档是不相关的则该位置 precision=0.
对MAP,则是对所有查询的AP值求个平均。
比如一个数据库,正 5个,负 5个
查询1,2搜索正,结果排序如下:
顺序查询1查询21负负
2正
负
3正
负
4正
负
5负
正
6负
正
7负
正
对于查询 1:
找回率=返回结果中相关文档的数目/所有相关文档的数目=4/5
准确率=返回结果中相关文档的数目/返回结果的数目=4/7
mAP=(1/1+2/5+3/6+4/7)/5
对于查询2:
找回率=返回结果中相关文档的数目/所有相关文档的数目=4/5
准确率=返回结果中相关文档的数目/返回结果的数目=4/7
mAP=(1/1+2/2+3/3+4/4)/5
结论:查询1和查询2,查全率和准确率相同,此时用mAP来衡量系统好坏,更加有效。
参考文献:1、http://www.douban.com/note/287762869/
2、http://blog.csdn.net/zylxadz/article/details/41694563
- mAP(mean average precision)
- Mean Average Precision(MAP)
- mean average precision(MAP)
- MAP(Mean Average Precision)
- MAP(Mean Average Precision):
- Mean Average Precision(MAP)
- MAP(Mean Average Precision)
- MAP(Mean Average Precision)
- Precision、Recall and Mean Average Precision(MAP)
- Mean Average Precision(MAP)平均精度均值
- Mean Average Precision(MAP)平均精度均值
- Mean Average Precision
- Mean Average Precision
- Mean Average Precision
- Mean Average Precision vs Mean Reciprocal Rank
- 一个评测指标就是MAP(Mean Average Precision)平均精度均值。
- mean average precision 定义以及计算
- 【机器学习】查全率(Recall)/查准率(Precision)/F-Measure/AP(Average Precision)/MAP
- 智能指针(一):shared_ptr
- Python 虚拟环境:Virtualenv
- MKL学习杂记
- C 字符串函数
- 项目2—二叉树排列树中查找的路径
- mAP(mean average precision)
- mysql、oracle分页
- Android 逐帧动画oom解决办法
- 2015-11-30 16:39:31
- iOS开发网络篇—发送json数据给服务器以及多值参数
- 第十二周 图遍历算法实现 深度优先
- 第14周、项目1—验证算法 (3)
- Weblogic 10gR3设置定时重启
- 14周-项目2 - 二叉树排序树中查找的路径