本文共 1011 字，大约阅读时间需要 3 分钟。

sklearn.metrics.average_precision_score(y_true, y_score, average=‘macro’, sample_weight=None)

注意：此实现仅限于二进制分类任务或多标签分类任务。

参数：

y_true : array, shape = [n_samples] or [n_samples, n_classes] 真实标签：取0和1 y_score : array, shape = [n_samples] or [n_samples, n_classes] 预测标签：[0,1]之间的值。 可以是正类的概率估计、置信值，也可以是决策的非阈值度量（如某些分类器上的“决策函数”返回的） average : string, [None, ‘micro’, ‘macro’ (default), ‘samples’, ‘weighted’] sample_weight : array-like of shape = [n_samples], optional sample weights. #------------------------------------------------------------

AP和mAP 的计算：

def compute_mAP(labels,outputs):    y_true = labels.cpu().detach().numpy()    y_pred = outputs.cpu().detach().numpy()    AP = []    for i in range(y_true.shape[0]):        AP.append(average_precision_score(y_true[i],y_pred[i]))    return np.mean(AP)

参考链接：https://www.w3cschool.cn/doc_scikit_learn/scikit_learn-modules-generated-sklearn-metrics-average_precision_score.html

参考链接：https://github.com/lyz04551/voc2007_classification_pytorch/blob/master/PascalTrain.py

转载地址：https://mymuli.blog.csdn.net/article/details/101616406 如侵犯您的版权，请留言回复原文章的地址，我们会给您删除此文章，给您带来不便请您谅解！