“平均精度”（有时缩写为 mAP 或 MAP）可能是您想要的。它非常常用于评估信息检索系统，并且计算起来相当简单。

首先，计算给定查询的平均精度。为此，在检索每个相关文档后对文档进行排序并计算精度。例如，假设有四个文档与此查询相关，我们的系统返回以下内容：

1. 相关文件
2. 无关文件
3. 相关文件
4. 相关文件
5. 无关文件
6. 无关文件。
7. 相关文件

第一个相关文档在位置 1，精度为 1/1 = 1.0 下一个相关文档在位置 3；到目前为止看到的三个文件中有两个是相关的，所以我们这里的精度是 2/3。文档 4 也是相关的，这里的精度分数是 3/4。最后一个相关项目在位置 7，给我们 4/7 的精度。

求这些精度分数的平均值 (1/4*(1 + 2/3 + 3/4 + 4/7) = ~0.747) 以获得该查询的平均精度。平均平均精度只是评估集中所有查询的这些平均值的平均值。

至于选择精确召回权衡，这在很大程度上取决于您。分数赋予它们相同的权重；您可以将的\beta 解释为给予倍于召回的权重而不是精确度。我相信一些研究表明用户更喜欢精确召回，但我敢打赌，这在很大程度上取决于应用程序和用例。我当然不需要谷歌向我展示每个关于猫的网页，但我确实希望首页上的所有网站都是相关的。另一方面，如果您正在为法庭案件进行发现，返回所有可能相关的文件可能更重要。$F_1$$\beta$$F_\beta$$\beta$

实际上只有PR曲线测量的AUC；它用于生物学（尤其是在 DREAM 挑战系列环境中），因为它与 AUROC 一致（即，如果性能显着不同，排名通常相同）仍然通过提供比 AUROC 更低的值来提供更好的数值分辨率。

问题是 AUPR 需要仔细集成，因此很难找到正确的实现。

这是一篇关于该主题的规范论文。

您可以仅计算单个（精度、召回）数据点的 ROC 的 AUC。

这篇论文，不精确环境的稳健分类，描述了如何计算凸包 AUC（现在非常标准）。当您只有一个（精度，召回）点时，您将一条直线向下延伸到总是说不（0,0）点，然后将一条直线延伸到总是说是（1,1）点，你有凸包。

现在是简洁的结果：在这种情况下，只有一个坐标，计算简化为

$AUC = (t − f + 1)/2$。

这强调了 AUC 和基尼系数之间的联系，这在别处有过评论。