Mean Average Precision（mAP）,Precision，Recall，Accuracy，F1_score，PR曲线、ROC曲线，AUC值，决定系数R^2 的含义与计算

2024-04-06 13:38:55

背景

之前在研究Object Detection的时候，只是知道Precision这个指标，但是mAP（mean Average Precision）具体是如何计算的，暂时还不知道。最近做OD的任务迫在眉睫，所以仔细的研究了一下mAP的计算。其实说实话，mAP的计算，本身有很多现成的代码可供调用了，公式也写的很清楚，但是我认为仔细的研究清楚其中的原理更重要。

AP这个概念，其实主要是在信息检索领域（information retrieval）中的概念，所以这里会比较快速的过一下这个在信息检索领域是如何起作用的。

Precision，Recall，以及Accuracy

Precision和Recall

Precision其实就是在识别出来的图片中，True positives所占的比率：

其中的n代表的是(True positives + False positives)，也就是系统一共识别出来多少照片。

Recall 是被正确识别出来的个数与测试集中所有的个数的比值：

Recall的分母是(True positives + False negatives)，这两个值的和，可以理解为一共有多少张飞机的照片。

如下图所示，假如一个用户向系统提交一个查询（例如“什么是猫”），系统返回了一系列查询的结果，这些结果是系统根据用户提交的信息，判定出来系统内所有跟这个信息有关的结果。

在这个结果里，黄色的部分是系统返回的结果，绿色的部分是总共对用户有用的结果。两者的交集，也就是中间的地方，通常叫做True Positive（TP），中文译名是真阳。而返回结果的剩下的部分，则是False Positive。也就是假阳，意思就是说这些本身是对用户没啥用的，但是系统判定这些对用户有用并且提交给用户了，所以叫“假阳”。而绿色部分剩下的，False Negative，假阴，则是本来对用户有用的结果，但是被系统判定没用，“假阴”。剩下的灰色地方则是True Negative，“真阴”，就是真的没啥用的结果。

Precision是提交给用户的结果里边，究竟有多少是对的，或者反过来说，我们给了用户多少没用的垃圾。Recall是一共有这么多的有用结果，系统究竟能判定出来多少是有用的（能够检出多少？），或者反过来说，我们究竟丢了多少有用的。这两个数是成对出现，单独出现没有意义。为什么这么说？一个例子是我可以轻轻松松将recall提高到100%，那就是不管用户查询啥，我都把系统内所有的文档都给他，这样肯定没丢东西，但是用户也没法得到的好的结果。

为什么不用准确率（accuracy）？

准确率，也就是accuracy，

是系统究竟做对了多少。如果是对于平衡样本来说，这个没问题。但是对于样本不平衡的情况，这就不行。例如信息检索，有99.999%的信息都对用户没用，而且大部分系统肯定都能判别出来这些没用，所以对于绝大部分系统，准确率都是99.999%，这个就不能很好的衡量系统性能了。

F Score

但是我们还是希望有一个数能够衡量系统的性能，否则系统A的precision比系统B高，但是recall却比系统B低，那么我们就不太好选了。所以综合Precision和Recall，我们得到一个F Score：

这个F Score是P和R的调和平均数(harmonic mean)，β的作用是表明P与R谁比较重要。harmonic mean有个特点，就是假如其中一个P或者R比较小，那么整体就会很小，也就是对两个数中如果有特别小的数的惩罚（penalty）比较大。这是代数平均数所没有的特性。一般来说，会把β设置成1，这个时候就成为F1 Score。几何表达如下图所示。

Precision and Recall Over Ranks

用户提交一个检索Query，得到的结果其实是一个列表，也就是一个有序表，这个表里饱含着所有检索的结果。这个表的序，其实也反映了系统的性能。如果系统把有用的信息排到特别后边，把没用的信息放到前边，也是一个比较性能差的系统。对于一个ranking，我们如何评估它的性能呢？

如上图所示，假设对于已经排好序的检测结果：

我们首先在每一个元素上都计算一下precision和recall。计算的方法是：对于第N个元素的precision和recall，计算前N个元素的recall和precision。

举例说明：对于Ranking #1，第一个元素，前1个元素也就是这个元素了，它的recall是1/6=0.17，因为检出了1个，一共有6个需要检出的元素，而precision则是1/1=1，因为一共有1个元素，检出了1个元素，所以是1。

对于Ranking #1 第二个元素的precision和recall，则recall是1/6=0.17。第二个是错的，所以precision是1/2=0.5，因为一共有2个元素。那么对比Ranking #1和#2，我们可以看到因为排序不同，所以precision不一样。这是因为这种计算方法会给靠前的元素比较大的bias。这样precision就可以衡量序在结果中的作用了。

如此我们便可以画出Recall-Precision的关系，以及F1的结果。一般来说，F1 Score会在Recall-Precision相交的地方达到最大值，但是这也不一定。毕竟这个极值其实还是需要满足一定的条件的。但是整体趋势就如同右上的那个小图那样子。

P-R曲线

Interpolated Recall-Precision Plot

我们把上一节计算出来的Recall和Precision画出来，得到如下图所示的结果：

这个曲线就比较蛋疼了。它压根不是一个函数。我们想知道Query 1 Recall = 0.5的情况下，Precision是多少，这事儿完全没法用普通的插值来弄。但是我们知道的是，Precision-Recall的曲线，趋势是下降的，所以前人就提出一种差值方法：任给一个Recall值，它对应的Precision值就等于它最近的右侧的那个“有值”Precision值中最大的那个值。举个例子，例如那个黑色的线，当recall=0.3的时候，它对应的precision值就是0.3右侧最近的有值的，也就是recall=0.4的那个值，但是recall=0.4对应很多值，包括了0.75、0.5和0.4，则选那个最大的0.75，如下图所示：

红色的线和蓝色的线就分别是Query 1和2的Interpolated Recall-precision plot。然后对于整体系统，就可以平均一下Q1和Q2的结果，得到一个平均性能。

有了这个插值完的曲线，我们就可以对不同系统进行一个性能分析，如上图所示。图中的结论都很简单明了。

Mean Average Precision

到这里，mAP的定义其实就自然而然的明确了。Average Precision，就是对一个Query，计算其命中时的平均Precision，而mean则是在所有Query上去平均，例子如下图所示，一看就明了了。

目标检测中的mAP

回到我们目标检测中的mAP，这个概念是PASCAL VOC比赛中所明确的metric。它的意思是输出的结果是一个ranked list，里边每一个元素包含了类别、框的信息，以及confidence，这个confidence就用来排序。有了排序，就可以计算AP了，然后再针对所有分类，取一个mean，就得到了mAP。这里为何要排序呢？是因为每一个框有一个confidence，mAP作为评估指标，需要考虑confidence进来。比方说我给出一个框，说我有99%的信心这里有一个猫，结果这里没有，相比我给出一个框，说我有10%的信心这里有一个猫，结果也没有，这两个框的penalty和reward不能一样的。因为99%信心说有，结果没有，那就说明这个系统很有问题。反之，假如我给出一个框，99%的信心说有一个猫，然后真有猫，相比10%信心说有猫，结果也是有猫，这两个框也不一样。也就是越“靠谱”，reward越大。什么叫靠谱？靠谱的意思是信心足的时候，一般结果正确。所以我们根据confidence进行排序之后，就应该给排名靠前的结果，也就是confidence比较大的一些更大的权重。所以才会有ranked list。或者可以理解为，我有一个query，查询的内容是，系统中的图片里猫都在那儿？那么这个就肯定需要ranked list了。

值得一提的是在2010年之前，VOC比赛用的AP计算方法并不是上边所述的计算方法，而是对interpolated 的那个图均匀取11个点，[0.0 0.1 0.2 … 1.0]然后求平均。后来才成上边所述的AP计算方法。

贴一段python的ap计算代码放在下边供参考：

Mean Average Precision（mAP）,Precision，Recall，Accuracy，F1_score，PR曲线、ROC曲线，AUC值，决定系数R^2 的含义与计算

def voc_ap(self, rec, prec, use_07_metric=True):
    if use_07_metric:
        ap = 0.
        # 2010年以前按recall等间隔取11个不同点处的精度值做平均(0., 0.1, 0.2, …, 0.9, 1.0)
        for t in np.arange(0., 1.1, 0.1):
            if np.sum(rec >= t) == 0:
                p = 0
            else:
                # 取最大值等价于2010以后先计算包络线的操作，保证precise非减
                p = np.max(prec[rec >= t])
            ap = ap + p / 11.
    else:
        # 2010年以后取所有不同的recall对应的点处的精度值做平均
        # first append sentinel values at the end
        mrec = np.concatenate(([0.], rec, [1.]))
        mpre = np.concatenate(([0.], prec, [0.]))

        # 计算包络线，从后往前取最大保证precise非减
        for i in range(mpre.size - 1, 0, -1):
            mpre[i - 1] = np.maximum(mpre[i - 1], mpre[i])

        # 找出所有检测结果中recall不同的点
        i = np.where(mrec[1:] != mrec[:-1])[0]

        # and sum (\Delta recall) * prec
        # 用recall的间隔对精度作加权平均
        ap = np.sum((mrec[i + 1] - mrec[i]) * mpre[i + 1])
    return ap

View Code

ROC曲线 （受试者操作特征(Receiver Operating Characteristic),roc曲线上每个点反映着对同一信号刺激的感受性）
对于0,1两类分类问题,一些分类器得到的结果往往不是0,1这样的标签,如神经网络,得到诸如0.5,0,8这样的分类结果。这时,我们人为取一个阈值,比如0.4,那么小于0.4的为0类,大于等于0.4的为1类,可以得到一个分类结果。同样,这个阈值我们可以取0.1,0.2等等。取不同的阈值,得到的最后的分类情况也就不同。
如下面这幅图:

蓝色表示原始为负类分类得到的统计图,红色为正类得到的统计图。那么我们取一条直线,直线左边分为负类,右边分为正,这条直线也就是我们所取的阈值。
阈值不同,可以得到不同的结果,但是由分类器决定的统计图始终是不变的。这时候就需要一个独立于阈值,只与分类器有关的评价指标,来衡量特定分类器的好坏。
还有在类不平衡的情况下,如正样本90个,负样本10个,直接把所有样本分类为正样本,得到识别率为90%。但这显然是没有意义的。
如上就是ROC曲线的动机。
ROC空间将假正例率（False Positive Rate, 简称FPR）定义为 X轴，真正例率（True Positive Rate, 简称TPR）定义为 Y 轴。这两个值由上面四个值计算得到,公式如下:
TPR：在所有实际为正例的样本中，被正确地判断为正例之比率。

FPR：在所有实际为反例的样本中，被错误地判断为正例之比率。

我们以FPR为横轴,TPR为纵轴,得到如下ROC空间。

我们可以看出,左上角的点(TPR=1,FPR=0)(TPR=1,FPR=0),为完美分类。曲线距离左上角越近,证明分类器效果越好。点A(TPR>FPR)表明判断大体是正确的。中线上的点B(TPR=FPR)表明判定一半对一半错（这种最垃圾~~）;下半平面的点C(TPR<FPR)说明判定大体错误。

如上,是三条ROC曲线,在0.23处取一条直线。那么,在同样的低FPR=0.23的情况下,红色分类器得到更高的PTR。也就表明,ROC越往上,分类器效果越好。我们用一个标量值AUC来量化它。

AUC(Area Under ROC Curve)

auc其实就是ROC曲线围成的面积！！
在两个分类器的ROC曲线交叉的情况下，无法判断哪个分类器性能更好，这时可以计算ROC曲线下面积AUC，作为性能度量，面积越大则越好。

为什么使用Roc和Auc评价分类器
既然已经这么多标准，为什么还要使用ROC和AUC呢？因为ROC曲线有个很好的特性：当测试集中的正负样本的分布变换的时候，ROC曲线能够保持不变。在实际的数据集中经常会出现样本类不平衡，即正负样本比例差距较大，而且测试数据中的正负样本也可能随着时间变化。下图是ROC曲线和Presision-Recall曲线的对比：

在上图中，(a)和(c)为Roc曲线，(b)和(d)为P-R曲线。