Mean Average Precision (mAP) ist eine Kennzahl, die bewertet, wie gut ein System relevante Ergebnisse findet und weit oben einordnet. Für jede Anfrage oder Objektklasse wird die durchschnittliche Präzision über die Trefferliste berechnet; mAP ist der Mittelwert über alle. Die Kennzahl ist Standard bei Suchmaschinen, Empfehlungssystemen und der Objekterkennung in Bildern, wo sie zusätzlich von der geforderten Überlappung der Begrenzungsrahmen abhängt.
Agenten, Abläufe und Vorlagen in einem Arbeitsbereich – 24 Stunden kostenlos als Demo.
Demo startenRecall (Trefferquote, Sensitivität) misst, welchen Anteil der tatsächlich positiven Fälle ein Modell erkennt: richtig erkannte Positive geteilt durch alle echten Positiven. Findet ein Betrugsfilter 80 von 100 echten Betrugsfällen, liegt der Recall bei 0,8. Hoher Recall ist wichtig, wenn verpasste Fälle teuer sind, etwa bei Krankheitsdiagnosen. Da er Fehlalarme nicht berücksichtigt, wird er meist zusammen mit der Präzision betrachtet, zum Beispiel im F-Score.
Der F-Score ist eine Kennzahl zur Bewertung von Klassifikationsmodellen. Das gebräuchliche F1-Maß ist das harmonische Mittel aus Präzision (wie viele der gefundenen Treffer stimmen) und Recall (wie viele der tatsächlichen Treffer gefunden wurden) und liegt zwischen 0 und 1. Es ist besonders nützlich bei unausgewogenen Daten: Ein Spamfilter, der fast nie Spam meldet, hat hohe Genauigkeit, aber einen niedrigen F1-Wert.
Informationsabruf (Information Retrieval) umfasst Verfahren, die aus großen Textbeständen die zu einer Anfrage passenden Dokumente oder Abschnitte finden und nach Relevanz sortieren. Klassische Methoden wie BM25 gewichten Suchbegriffe nach Häufigkeit und Seltenheit, neuere ergänzen semantische Ähnlichkeit. Informationsabruf ist die Grundlage von Suchmaschinen, Unternehmenssuche und Retrieval-Augmented Generation, bei der ein Sprachmodell gefundene Passagen als Grundlage seiner Antwort nutzt.
Die Top-k-Genauigkeit misst, wie oft die richtige Antwort unter den k wahrscheinlichsten Vorschlägen eines Modells liegt. Bei Top-1 zählt nur der erste Treffer, bei Top-5 genügt es, wenn die korrekte Klasse unter den fünf besten ist – eine bekannte Kennzahl aus Bilderkennungs-Wettbewerben wie ImageNet. Sinnvoll ist sie überall, wo Nutzer mehrere Vorschläge sehen, etwa bei Produktempfehlungen oder Autovervollständigung.
