La Mean Average Precision (mAP) è una metrica che valuta quanto bene un sistema trova i risultati pertinenti e li colloca nelle prime posizioni. Per ogni query o classe di oggetti si calcola la precisione media lungo l’elenco dei risultati; la mAP è la media su tutte. È uno standard per motori di ricerca, sistemi di raccomandazione e rilevamento di oggetti nelle immagini, dove dipende anche dalla sovrapposizione richiesta tra i riquadri di delimitazione.
Agenti, flussi e modelli in un’unica area di lavoro – demo gratuita di 24 ore.
Avvia demoIl recall (sensibilità) misura quale quota dei casi realmente positivi un modello riconosce: positivi individuati correttamente diviso tutti i positivi reali. Se un filtro antifrode scopre 80 frodi su 100 reali, il recall è 0,8. Un recall alto è importante quando i casi mancati costano cari, ad esempio nelle diagnosi mediche. Poiché non considera i falsi allarmi, di solito si valuta insieme alla precisione, ad esempio nell'F-score.
L’F-score è un indicatore per valutare i modelli di classificazione. La comune misura F1 è la media armonica tra precisione (quanti dei risultati trovati sono corretti) e richiamo, o recall (quanti dei casi reali sono stati trovati), e varia tra 0 e 1. È particolarmente utile con dati sbilanciati: un filtro antispam che non segnala quasi mai lo spam può avere un’accuratezza alta ma un F1 basso.
Il recupero dell'informazione (information retrieval) comprende i metodi che, in grandi raccolte di testi, trovano i documenti o i passaggi pertinenti a una richiesta e li ordinano per rilevanza. Approcci classici come BM25 pesano i termini in base a frequenza e rarità; quelli più recenti aggiungono la somiglianza semantica. È alla base di motori di ricerca, ricerca aziendale e retrieval-augmented generation, in cui un modello linguistico usa i passaggi trovati come fonte della risposta.
L'accuratezza top-k misura quanto spesso la risposta corretta si trova tra i k suggerimenti più probabili di un modello. Nel top-1 conta solo la prima previsione, nel top-5 basta che la classe corretta sia tra le prime cinque: una metrica nota dai benchmark di riconoscimento di immagini come ImageNet. È utile ovunque gli utenti vedano più proposte, ad esempio nei suggerimenti di prodotto o nel completamento automatico.
