精度是指特定决策阈值处的精度。例如，如果您将任何模型输出小于 0.5 计为负数，大于 0.5 计为正数。但有时（特别是如果您的类不平衡，或者如果您希望精确而不是召回，反之亦然），您可能需要改变这个阈值。平均精度为您提供所有此类可能阈值的平均精度，这也类似于精度召回曲线下的区域。在不考虑任何特定决策阈值的情况下，比较模型对预测排序的好坏是一个有用的指标。

参考：https ://scikit-learn.org/stable/modules/generated/sklearn.metrics.average_precision_score.html

精度是 Pr = TP/(TP+FP)，其中 TP 和 FP 分别是真阳性和假阳性。因此，我们使用该指标来评估分类器等系统，以了解我们发现阳性的准确程度。如果你的分类器将一个条目标记为 True，即使它实际上是 False，它也会增加 FP，从而降低 Pr。所以你的系统不精确。所以，在分类器的情况下，我们不需要知道哪个条目最有可能属于一个类或类似的东西。

假设您构建了一个搜索音乐视频的应用程序。所以，如果对一首歌进行查询（假设我想挣脱），如果从查询中检索到的前 5 个条目与歌曲或乐队“女王”完全无关，并且从 6 到 10 的条目是相关的对他们来说，那么您的应用程序完全是浪费。因此，在这些顺序很重要的情况下，我们计算精度和召回率（Re = TP/(TP+FN)），曲线下面积为 MAP（平均精度）

这个想法背后的直觉如下，因为真实条目的数量是固定的，移动到下一个条目要么增加召回（当你遇到真阳性时），要么保持不变（当你遇到误报时）随着精度降低（如果遇到 FP）并保持不变或增加（如果遇到 TP），因此，如果您在开始时得到不相关的结果，则精度几乎保持为 0，这使您的 MAP 为 0，就好像您找到了所有开始时的准确结果（基本上意味着零 FP），因此精度接近 1，导致 MAP 接近 1。这证明您的系统是最好的

本文通过示例进行了详细说明

分解平均精度 (mAP)