F-skoor on klassifitseerimismudelite hindamise mõõdik. Levinud F1-skoor on täpsuse (kui palju ennustatud tabamustest on õiged) ja saagise (kui palju tegelikest tabamustest leiti) harmooniline keskmine ning jääb vahemikku 0 kuni 1. See on eriti kasulik tasakaalustamata andmete puhul: rämpsposti peaaegu kunagi märkiv filter võib olla väga õige (accuracy), kuid selle F1-skoor on madal.
Saagis (recall, ka tundlikkus või tõeliselt positiivsete määr) mõõdab, kui suure osa tegelikest positiivsetest juhtumitest mudel tuvastab: õigesti tuvastatud positiivsed jagatud kõigi tegelike positiivsetega. Kui pettusefilter püüab kinni 80 tegelikku pettusejuhtumit 100-st, on selle saagis 0,8. Kõrge saagis on oluline, kui märkamata jäänud juhtumid on kulukad, näiteks meditsiinilises diagnostikas. Kuna see ei arvesta valehäireid, vaadeldakse seda tavaliselt koos täpsusega, näiteks F-skooris.
Eksimismaatriks (confusion matrix) on tabel, mis võrdleb klassifikaatori ennustusi tegelike klassidega. Kahe klassi puhul näitab see tõeselt positiivseid, valepositiivseid, tõeselt negatiivseid ja valenegatiivseid. Sellest saab arvutada mõõdikuid nagu täpsus, saagis ja F1-skoor ning selgub, millised vead esinevad. Näide: rämpsposti filter, mis märgib palju õigeid e-kirju rämpspostiks, annab palju valepositiivseid, mis on sageli kulukam kui märkamata jäänud rämpspostisõnum.
Kõvera alune pindala (area under the curve, AUC) on klassifitseerimismudelite mõõdik, mis viitab tavaliselt ROC-kõverale. See näitab, kui hästi mudel positiivseid ja negatiivseid juhtumeid eristab, sõltumata konkreetsest lävendist. Väärtus 1 tähendab täiuslikku eristamist; 0,5 pole parem kui ära arvamine. Näide: AUC-ga 0,85 klientide lahkumise mudel järjestab juhuslikult valitud lahkuva kliendi riskantsemaks kui truu kliendi 85% juhtudest.
Top-k täpsus mõõdab, kui tihti on õige vastus mudeli k kõige tõenäolisema ettepaneku hulgas. Top-1 puhul loeb ainult esimene ennustus; top-5 puhul piisab, kui õige klass on viie parima seas – tuntud mõõdik pildituvastuse võrdlustestides nagu ImageNet. See on kasulik kõikjal, kus kasutajad näevad mitut ettepanekut, näiteks tootesoovituste või automaatse täiendamise puhul.
