Srednja prosječna preciznost (mAP) metrika je koja procjenjuje koliko dobro sustav pronalazi relevantne rezultate i rangira ih pri vrhu. Prosječna preciznost izračunava se kroz popis rezultata za svaki upit ili klasu objekata; mAP je srednja vrijednost svih njih. Standardna je mjera za tražilice, sustave preporuka i prepoznavanje objekata na slikama, gdje ovisi i o traženom preklapanju granica okvira (bounding boxes).
Agenti, tijekovi rada i predlošci u jednom radnom prostoru – besplatna demo verzija na 24 sata.
Pokrenite demoOdziv (recall), poznat i kao osjetljivost ili stopa istinitih pozitiva, mjeri koji udio stvarnih pozitivnih slučajeva model otkriva: ispravno prepoznati pozitivni slučajevi podijeljeni sa svim stvarnim pozitivnima. Ako filtar za prijevare uhvati 80 od 100 stvarnih slučajeva prijevare, njegov je odziv 0,8. Visok odziv važan je kada su propušteni slučajevi skupi, primjerice u medicinskoj dijagnostici. Budući da zanemaruje lažne uzbune, obično se promatra zajedno s preciznošću, primjerice u F-mjeri.
F-mjera je metrika za ocjenjivanje klasifikacijskih modela. Uobičajena F1 mjera je harmonijska sredina preciznosti (koliko je predviđenih pogodaka točno) i odziva (koliko je stvarnih pogodaka pronađeno), a kreće se od 0 do 1. Posebno je korisna kod neuravnoteženih podataka: filtar za spam koji gotovo nikad ne označi spam može imati visoku točnost, ali nisku F1 mjeru.
Dohvaćanje informacija (information retrieval) obuhvaća metode koje u velikom korpusu teksta pronalaze dokumente ili odlomke koji odgovaraju upitu i rangiraju ih prema relevantnosti. Klasični pristupi poput BM25 ponderiraju pojmove pretrage prema tome koliko se često i koliko rijetko pojavljuju; noviji dodaju semantičku sličnost. Temelj je tražilica, pretraživanja unutar poduzeća i generiranja potpomognutog dohvaćanjem, u kojem jezični model dohvaćene odlomke koristi kao osnovu za svoj odgovor.
Točnost top-k mjeri koliko se često točan odgovor nalazi među k najvjerojatnijih prijedloga modela. Kod top-1 računa se samo prvo predviđanje; kod top-5 dovoljno je da se točna klasa nalazi među pet najboljih, što je poznata metrika iz benchmarkova za prepoznavanje slika poput ImageNeta. Korisna je svugdje gdje korisnici vide više prijedloga, primjerice kod preporuka proizvoda ili automatskog dovršavanja.
