Средната средна прецизност (mean average precision, mAP) е метрика, която оценява доколко добре една система намира релевантни резултати и ги подрежда близо до върха. Средната прецизност се изчислява по списъка с резултати за всяка заявка или клас обекти; mAP е средната стойност за всички тях. Тя е стандартна мярка за търсачки, системи за препоръки и откриване на обекти в изображения, където зависи и от изискваното припокриване на ограничителните рамки.
Агенти, потоци и шаблони в едно работно пространство – безплатна 24-часова демонстрация.
Стартирайте демотоПълнотата (recall, наричана още чувствителност или дял на истинско положителните) измерва какъв дял от действителните положителни случаи открива моделът: правилно разпознатите положителни, разделени на всички реални положителни. Ако филтър за измами улавя 80 от 100 реални случая на измама, пълнотата му е 0,8. Високата пълнота е важна, когато пропуснатите случаи са скъпоструващи, например при медицинска диагностика. Тъй като пренебрегва фалшивите тревоги, обикновено се разглежда заедно с прецизността, например във F-мярката.
F-мярката е метрика за оценка на класификационни модели. Често използваната F1 стойност е хармоничната средна на прецизността (колко от предвидените попадения са верни) и обхвата (колко от действителните попадения са намерени) и е в диапазона от 0 до 1. Особено полезна е при небалансирани данни: спам филтър, който почти никога не отбелязва спам, може да има висока точност, но ниска F1 стойност.
Извличането на информация (information retrieval) обхваща методи за намиране на документите или откъсите в голям обем текст, които съответстват на дадена заявка, и за подреждането им по релевантност. Класически подходи като BM25 претеглят термините за търсене според това колко често и колко рядко се срещат; по-новите добавят семантично сходство. То е в основата на търсачките, корпоративното търсене и retrieval-augmented generation, при което езиков модел използва извлечените откъси като основа за отговора си.
Точността top-k измерва колко често правилният отговор е сред k-те най-вероятни предложения на модела. При top-1 се брои само първата прогноза; при top-5 е достатъчно правилният клас да е сред петте най-добри – известна метрика от бенчмаркове за разпознаване на изображения като ImageNet. Тя е полезна навсякъде, където потребителите виждат няколко предложения, например препоръки за продукти или автоматично довършване.
