小编Pod*_*kiy的帖子

在k 处计算的平均精度（对于答案中的前 k 个元素），根据wiki、kaggle 处的 ml 指标和这个答案：关于（平均）平均精度的混淆应该计算为 k 处平均精度的平均值，其中平均值k 处的精度计算如下：

其中： P(i) 是列表中截止点 i 处的精度；rel(i) 是一个指标函数，如果排名 i 的项目是相关文档，则等于 1，否则为零。

分隔符min(k, number of relevant documents)的含义是答案中相关条目的最大可能数量。

这种理解是否正确？

MAP@k 是否总是小于为所有排名列表计算的 MAP？

我担心的是，这不是在许多作品中计算 MAP@k 的方式。

通常，分隔符不是min(k, number of relevant documents)，而是top-k中相关文档的数量。这种方法将提供更高的 MAP@k 值。

HashNet：通过继续深度学习哈希”（ICCV 2017）

代码：https : //github.com/thuml/HashNet/blob/master/pytorch/src/test.py#L42-L51

    for i in range(query_num):
        label = validation_labels[i, :]
        label[label == 0] = -1
        idx = ids[:, i]
        imatch = np.sum(database_labels[idx[0:R], :] == …