mAP平均精度均值(Mean Average Precision)

在机器学习领域，大多数常见问题通常会有多个模型可供选择。每个模型会有自己的特性，并会受到不同因素的影响而表现不同。

每个模型的好坏是通过评价它在某个数据集上的性能来判断的，这个数据集通常被叫做“验证/测试”数据集。这个性能由不同的统计量来度量，包括准确率（ accuracy ）、精确率（ precision ）、召回率（ recall ）等等。选择我们会根据某个特定的应用场景来选择相应的统计量。而对每个应用来说，找到一个可以客观地比较模型好坏的度量标准至关重要。
平均精度均值是目标检测问题中最常用的度量标准

准确率（查准率、查全率）Precision：

召回率 Recall：

把recall当成横坐标，precision当成纵坐标，即可得到常用的precision-recall曲线，这条曲线是单调递减的。

AP的计算是：首先设定一组阈值，[0, 0.1, 0.2, …, 1]。然后对于recall大于每一个阈值（比如recall>0.3），我们都会得到一个对应的最大precision。这样，我们就计算出了11个precision。AP即为这11个precision的平均值。这种方法英文叫做11-point interpolated average precision。

2010年后就换了另一种计算方法。新的计算方法假设这N个样本中有M个正例，那么我们会得到M个recall值（1/M, 2/M, …, M/M），对于每个recall值r，我们可以计算出对应（r’ > r）的最大precision，然后对这M个precision值取平均即得到最后的AP值。

当M足够大时，mAP计算公式就可以写成：

其实就是曲线下方的这部分面积。
准确率和召回率时互相影响的，理想情况是想让两者都大，但一般情况是：准确率高，召回率低；召回率高，准确率低。如果两者都低的话，那应该是什么地方出了问题。
mAP越接近于1 ，模型效果越好。

ROC（Receiver Operating Characteristic）曲线
ROC关注两个指标：

TPR代表将正例分对的概率

FPR代表将负例错分为正例的概率
在ROC 空间中，每个点的横坐标是FPR，纵坐标是TPR，这也就描绘了分类器在TP（真正的正例）和FP（错误的正例）间的trade-off。ROC的主要分析工具是一个画在ROC空间的曲线——ROC curve。我们知道，对于二值分类问题，实例的值往往是连续值，我们通过设定一个阈值，将实例分类到正类或者负类（比如大于阈值划分为正类）。因此我们可以变化阈值，根据不同的阈值进行分类，根据分类结果计算得到ROC空间中相应的点，连接这些点就形成ROC curve

用ROC curve来表示分类器的performance很直观，但是如果想要用一个数值来表示分类器的好坏，就需要用到AUC(Area Under roc Curve)
AUC的值就是处于ROC curve下方的那部分面积的大小。通常，AUC的值介于0.5到1.0之间，较大的AUC代表了较好的Performance。

P/R和ROC是两个不同的评价指标和计算方式，一般情况下，检索用前者，分类、识别等用后者。