如何用python代码加入测试集的MAP和MAR指标

在Python中，可以使用`sklearn`库中的`metrics`模块来计算MAP和MAR指标。

首先，需要准备好测试集的相关文档标注信息和模型预测的文档相关性排序列表。假设测试集的相关文档标注信息存储在`y_true`中，模型预测的文档相关性排序列表存储在`y_score`中，可以按照如下代码计算MAP指标：

from sklearn.metrics import average_precision_score

# 计算每个查询的AP值
ap = [average_precision_score(y_true[i], y_score[i]) for i in range(len(y_true))]
# 计算MAP值
map_score = sum(ap) / len(ap)

其中，`average_precision_score`函数用于计算每个查询的AP值，`y_true[i]`和`y_score[i]`分别表示第i个查询的相关文档标注信息和模型预测的文档相关性排序列表。

可以按照如下代码计算MAR指标：

from sklearn.metrics import recall_score

# 计算每个查询的AR值
ar = [recall_score(y_true[i], y_score[i]) for i in range(len(y_true))]
# 计算MAR值
mar_score = sum(ar) / len(ar)

其中，`recall_score`函数用于计算每个查询的AR值，`y_true[i]`和`y_score[i]`分别表示第i个查询的相关文档标注信息和模型预测的文档相关性排序列表。

需要注意的是，`y_true`和`y_score`的维度应该相同，例如，如果有100个查询，每个查询需要预测10个文档的相关性，则`y_true`和`y_score`应该都是一个维度为`(100, 10)`的二维数组。