mAP是指平均准確率，是機器學習中模型好壞的一種評價指標。在介紹mAP前應該首先了解幾個概念：
1、P (percision) 准確率，在周志華的《機器學習》中，稱為“查准率”。在信息檢索中，准確率是指我檢索出的信息有多少比例是用戶感興趣的。
P = 系統檢索到的相關文件 / 系統檢索到的文件總數
2、R (recall) 召回率，又稱為“查全率”，指用戶感興趣的信息有多少被檢測出來了
R = 系統檢測到的相關文件 / 數據庫中相關文件總數
舉個例子來說，某數據庫中有1000個文件，我要搜索跟機器學習相關的文件，而數據庫中機器學習相關文件有200個。搜索后，系統檢索出100個文件，80個跟機器學習相關，那么：
P(准確率） = 80 / 100 = 80%
R(召回率）= 80 / 200 = 40%
在改變檢索算法后，再進行一次檢索，結果檢索出180個文件，機器學習相關文件有120個，那么：
P(准確率）= 120 / 180 = 66.7%
R(召回率）= 120 / 200 = 60%
這兩個算法到底哪個算法好呢，很難單一的用准確率或召回率來評判。
准確率和召回率一般有如下特點：准確率高，召回率就低。召回率高，准確率就低。這個也比較容易理解，比如要獲得較高的召回率，勢必要搜索出大量文件，還是上面那個例子，我搜索出500個文件，其中200個跟機器學習相關，那么召回率為100%，但是准確率只有40%。當然，如果算法能做到准確率和召回率都高，那是最好。
那么如何結合准確率和召回率對模型進行評判呢，可以使用F度量
3、F度量（F-measure)
F度量涵蓋了准確率和召回率這兩個指標。其計算公式如下：
F = 2 * P * R / (P + R)
結合以上兩個例子，第一個例子的F度量為0.53，第二個例子的F度量為0.63
接下來進入主題，mAP是什么呢？
前面介紹了准確率和召回率單獨來評價模型不科學，結合這兩個指標的話可以用F度量，其實還有一種方法，即Average Precision（平均精度AP）——以召回率和准確率為行縱坐標，得到二維曲線，即PR曲線。將PR曲線下的面積當作衡量尺度，得到AP值。
mAP即平均AP值,是對多個驗證集求平均AP值，其中QR指驗證集個數
reference: