在机器学习中，特别是在分类任务中，评价模型性能常用以下指标。这些指标主要基于混淆矩阵，该矩阵记录了实际类别与模型预测类别的对应情况。下面是这些指标的定义和计算公式：

1. TP（True Positives）:
   - 定义: 正确预测为正类的样本数量。
   - 公式: TP = 数量(真实标签 = 正类 and 预测标签 = 正类)

2. TN（True Negatives）:
   - 定义: 正确预测为负类的样本数量。
   - 公式: TN = 数量(真实标签 = 负类 and 预测标签 = 负类)

3. FP（False Positives）:
   - 定义: 错误地预测为正类的样本数量（实际为负类）。
   - 公式: FP = 数量(真实标签 = 负类 and 预测标签 = 正类)

4. FN（False Negatives）:
   - 定义: 错误地预测为负类的样本数量（实际为正类）。
   - 公式: FN = 数量(真实标签 = 正类 and 预测标签 = 负类)

5. Precision（精确率）:
   - 定义: 在所有被模型预测为正类的样本中，实际为正类的比例。
   - 公式: Precision = TP / (TP + FP)

6. Recall（召回率）:
   - 定义: 在所有实际为正类的样本中，被模型正确预测为正类的比例。
   - 公式: Recall = TP / (TP + FN)

7. F1 Score（F1分数）:
   - 定义: 精确率和召回率的调和平均，用于综合评价模型的精确率和召回率。
   - 公式: F1 = 2 * (Precision * Recall) / (Precision + Recall)

8. Accuracy（准确率）:
   - 定义: 在所有样本中，被模型正确预测的比例。
   - 公式: Accuracy = (TP + TN) / (TP + TN + FP + FN)

9. mAP（Mean Average Precision）:
   - 定义: 在多类别或多标签任务中，对每个类别的平均精确率（AP）进行平均后得到的指标。每个类别的AP是该类别所有查询的平均精确率。
   - 计算方式: 对每个类别计算AP，然后计算所有类别AP的平均值。

这些指标各有侧重，选择合适的指标可以更好地评估特定任务的模型性能。例如，当正负样本不平衡时，精确率和召回率可能比准确率更有信息量。