在影象中，尤其是分類問題中應用AP，是一種評價ranking方式好不好的指標：

舉例來說，我有一個兩類分類問題，分別5個樣本，如果這個分類器效能達到完美的話，ranking結果應該是+1，+1，+1，+1，+1，-1，-1，-1，-1，-1.

但是分類器預測的label，和實際的score肯定不會這麼完美。按照從大到小來打分，我們可以計算兩個指標：precision和recall。比如分類器認為打分由高到低選擇了前四個，實際上這裡面只有兩個是正樣本。此時的recall就是2（你能包住的正樣本數）/5（總共的正樣本數）=0.4，precision是2（你選對了的）/4（總共選的）=0.5.

影象分類中，這個打分score可以由SVM得到：s=w^Tx+b就是每一個樣本的分數。

從上面的例子可以看出，其實precision，recall都是選多少個樣本k的函式，很容易想到，如果我總共有1000個樣本，那麼我就可以像這樣計算1000對P-R，並且把他們畫出來，這就是PR曲線：

這裡有一個趨勢，recall越高，precision越低。這是很合理的，因為假如說我把1000個全拿進來，那肯定正樣本都包住了，recall=1，但是此時precision就很小了，因為我全部認為他們是正樣本。recall=1時的precision的數值，等於正樣本所佔的比例。

所以AP，average precision，就是這個曲線下的面積，這裡average，等於是對recall取平均。而mean average precision的mean，是對所有類別取平均（每一個類當做一次二分類任務）。現在的影象分類論文基本都是用mAP作為標準。

貌似從VOC08之後要求PR曲線必須單調下降了？這個不太確定。

================================================
1.使用AP會比accuracy要合理。對於accuracy，如果有9個負樣本和一個正樣本，那麼即使分類器什麼都不做全部判定為負樣本accuracy也有90%。但是對於AP，recall=1那個點precision會掉到0.1.曲線下面積就會反映出來。