平均精確率 是什麼？
Mean Average Precision：平均精確率 的完整解釋
平均精確率（MAP）是評估信息檢索系統排序質量的重要指標。它在不同的召回率點上計算精確率，然後求平均值，全面反映系統的排序性能。
核心概念
MAP 的計算過程分為三個步驟：
計算每個查詢的平均精確率（Average Precision, AP）：
- 對於每個相關文檔，計算在檢索到該文檔時的精確率
- 求這些精確率的平均值
加權考慮：
- 靠前的相關文檔對 AP 的貢獻更大
- 這反映了用戶往往只看前幾個結果的現實
多個查詢的平均：
- 將所有查詢的 AP 平均起來，得到 MAP
- MAP = (Σ AP) / 查詢數量
數學公式
對於查詢 q，其 AP 為：
AP(q) = (Σ P(k) × rel(k)) / 所有相關文檔數
其中：
- P(k) 是第 k 個位置的精確率
- rel(k) 是第 k 個位置是否為相關文檔（1 或 0）
運作原理
以一個例子說明 MAP 的計算：
假設查詢返回 10 個結果，其中位置 1, 3, 5, 8 是相關的，位置 2, 4, 6, 7, 9, 10 是不相關的。
- 在位置 1：精確率 = 1/1 = 1.0
- 在位置 3：精確率 = 2/3 = 0.67
- 在位置 5：精確率 = 3/5 = 0.6
- 在位置 8：精確率 = 4/8 = 0.5
AP = (1.0 + 0.67 + 0.6 + 0.5) / 4 = 0.69
如果有多個查詢，MAP 就是所有查詢 AP 的平均值。
實際應用
- 搜索引擎評估：TREC、NTCIR 等信息檢索競賽的標準評估指標
- 排序模型開發：評估和優化 Learning to Rank 模型
- 推薦系統評估：評估推薦結果的排序質量
- 信息檢索研究：學術研究中比較不同算法的性能
- 系統改進監控：跟蹤搜索系統優化的效果
常見誤區
許多人認為 MAP 只關注是否找到相關文檔，忽略了排序位置的影響。但實際上，MAP 通過精確率的計算已經隱含地考慮了位置信息：靠前找到相關文檔會導致更高的精確率，進而更高的 AP。
公式與實際算一次
mAP（mean Average Precision，平均精確率均值）分兩層。
第一層，單一類別的 AP。 把該類別的所有預測依信心分數由高到低排序，逐一累積計算精確率與召回率，AP 就是精確率對召回率曲線下的面積。
實際算一次。假設某類別共有 3 個正確目標，模型給出 5 個預測，由高分到低分排序後正誤如下：
排名 正確與否 累積正確數 精確率 召回率 1 正確 1 1 ÷ 1 = 1.00 1 ÷ 3 = 0.33 2 錯誤 1 1 ÷ 2 = 0.50 0.33 3 正確 2 2 ÷ 3 = 0.67 2 ÷ 3 = 0.67 4 正確 3 3 ÷ 4 = 0.75 3 ÷ 3 = 1.00 5 錯誤 3 3 ÷ 5 = 0.60 1.00 取每個召回率點之後的最大精確率（這叫插值），三個召回率點的值分別是 1.00、0.75、0.75，
AP = (1.00 + 0.75 + 0.75) ÷ 3 = 0.833
第二層，mAP 就是所有類別的 AP 取平均。 有 20 個類別就算 20 個 AP 再平均。
mAP@0.5 與 mAP@0.5:0.95 的差別
物件偵測裡，一個預測框算不算「正確」，要看它跟標準答案框的 IoU（交集除以聯集）有沒有超過門檻。
mAP@0.5：IoU 超過 0.5 就算對。門檻寬鬆，數字看起來漂亮，是早期 PASCAL VOC 的標準。
mAP@0.5:0.95：從 0.5 到 0.95 每隔 0.05 取一個門檻，總共 10 個門檻各算一次 mAP 再平均。這是 COCO 的標準，對框的位置精確度要求高很多，同一個模型的數字通常會比 mAP@0.5 低一大截。
比較兩個模型的 mAP 之前，一定要先確認兩邊用的是同一個門檻定義與同一個資料集。看到「mAP 0.85」而沒有標註條件，這個數字沒有意義。
這個指標在回答什麼問題
mAP 同時懲罰兩種錯誤：漏掉目標（召回率低）與亂框一堆（精確率低）。它比單看準確率合適，因為物件偵測沒有「總樣本數」可以當分母。
它的限制是把所有類別平等對待。實務上如果只有一兩個類別真正重要，看那幾類各自的 AP 會比看 mAP 更有意義。