---
title: "平均精確率（Mean Average Precision）"
slug: mean-average-precision
language: zh-TW
source: https://aiterms.tw/terms/mean-average-precision
updated_at: 2026-07-29
tags: [信息檢索, 評估指標, 排序算法, 機器學習]
ipas_term: false
---

# 平均精確率（Mean Average Precision）

平均精確率（MAP）是評估信息檢索系統排序質量的重要指標。它在不同的召回率點上計算精確率，然後求平均值，全面反映系統的排序性能。

## 完整說明

平均精確率（Mean Average Precision, MAP）是信息檢索領域用於評估排序系統性能的標準指標。不同於簡單的精確率（只在固定位置計算），MAP 考慮了排序結果的位置信息，並在不同的召回率點上計算精確率。它特別重視靠前的結果，因為用戶通常只關注排序結果中的前幾項。MAP 被廣泛應用於搜索引擎評估、信息檢索競賽（如 TREC）和學習排序算法的評估中。

## 常見問題

### MAP 與 NDCG 有什麼區別？

MAP 和 NDCG 都是評估排序質量的指標，但側重點不同。MAP 基於精確率的概念，強調在找到相關文檔時的精確率。NDCG 基於相關性等級的概念，考慮相關文檔的相關程度（如高度相關、中等相關、低相關），而不只是二分的相關或不相關。NDCG 在處理多等級相關性判斷時更靈活。

### 為什麼 MAP 在評估搜索引擎時比簡單精確率更有用？

簡單精確率（如 P@10）只評估固定位置的結果。但用戶的行為表明，排序位置很重要：用戶更可能點擊靠前的結果，越往後的結果被看到和點擊的概率越低。MAP 通過計算不同位置上的精確率，並隱含地強調靠前結果的重要性，更好地反映了用戶體驗和系統的實際效能。

### 如何使用 MAP 來改進排序系統？

MAP 可以作為排序模型的優化目標。在 Learning to Rank 模型中，可以使用 MAP 作為損失函數來訓練模型，使其直接優化 MAP 分數。同時，通過分析 MAP 分數低的查詢，可以發現系統的弱點並進行針對性改進。此外，在進行 A/B 測試時，使用 MAP 作為評估指標能更準確地衡量排序改進的效果。

---

來源：https://aiterms.tw/terms/mean-average-precision
快查頁：https://aiterms.tw/terms/mean-average-precision
最後更新：2026/07/29
深度解說：https://aiterms.tw/learning/what-is-mean-average-precision