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.
Agenti, tijekovi rada i predlošci u jednom radnom prostoru – besplatna demo verzija na 24 sata.
Pokrenite demoMatrica zabune (confusion matrix) tablica je koja uspoređuje predviđanja klasifikatora sa stvarnim klasama. Za dvije klase prikazuje istinito pozitivne, lažno pozitivne, istinito negativne i lažno negativne slučajeve. Iz toga se mogu izračunati metrike poput preciznosti, odziva i F1 mjere te postaje jasno koje se pogreške javljaju. Primjer: filtar za spam koji mnoge prave e-poruke označi kao spam ima mnogo lažno pozitivnih, što je često skuplje od propuštene spam poruke.
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).
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.
Klasifikator je model ili metoda koja unose razvrstava u jednu od nekoliko unaprijed definiranih kategorija. Klasične varijante poput stabala odlučivanja ili naivnog Bayesa treniraju se na označenim primjerima; jezični modeli mogu razvrstavati tekstove i na temelju opisa kategorija. Tipične primjene uključuju prepoznavanje spama, razvrstavanje upita klijenata po temama i kategoriziranje računa. Kvaliteta se mjeri metrikama poput točnosti, preciznosti i odziva.
