Mean average precision (mAP) er en måleværdi, der vurderer, hvor godt et system finder relevante resultater og rangerer dem højt. Gennemsnitlig præcision (average precision) beregnes over resultatlisten for hver forespørgsel eller objektklasse; mAP er gennemsnittet over dem alle. Det er et standardmål for søgemaskiner, anbefalingssystemer og objektgenkendelse i billeder, hvor det også afhænger af det krævede overlap mellem afgrænsningsrammer.
Recall (også kaldet sensitivitet eller true positive rate) måler, hvor stor en andel af de faktiske positive tilfælde en model registrerer: korrekt identificerede positive divideret med alle reelle positive. Hvis et svindelfilter fanger 80 ud af 100 reelle svindeltilfælde, er dets recall 0,8. Høj recall er vigtig, når oversete tilfælde er dyre, f.eks. ved medicinsk diagnose. Fordi den ignorerer falske alarmer, ses den som regel sammen med precision, f.eks. i F-scoren.
F-scoren er en måleværdi til evaluering af klassifikationsmodeller. Den almindelige F1-score er det harmoniske gennemsnit af præcision (hvor mange af de forudsagte træffere der er korrekte) og recall (hvor mange af de faktiske træffere der blev fundet) og ligger mellem 0 og 1. Den er især nyttig ved ubalancerede data: Et spamfilter, der næsten aldrig markerer spam, kan have høj nøjagtighed, men en lav F1-score.
Information retrieval omfatter metoder til at finde de dokumenter eller passager i en stor tekstmasse, der matcher en forespørgsel, og rangere dem efter relevans. Klassiske tilgange som BM25 vægter søgeord efter, hvor ofte og hvor sjældent de forekommer; nyere tilføjer semantisk lighed. Det ligger til grund for søgemaskiner, virksomhedssøgning og retrieval-augmented generation, hvor en sprogmodel bruger de hentede passager som grundlag for sit svar.
Top-k-nøjagtighed måler, hvor ofte det rigtige svar findes blandt en models k mest sandsynlige forslag. Med top-1 tæller kun den første forudsigelse; med top-5 er det nok, at den rigtige klasse er blandt de fem bedste, en velkendt måling fra benchmarks for billedgenkendelse som ImageNet. Den er nyttig overalt, hvor brugerne ser flere forslag, f.eks. produktanbefalinger eller autofuldførelse.
