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.
Agenti, flussi e modelli in un’unica area di lavoro – demo gratuita di 24 ore.
Avvia demoUna matrice di confusione è una tabella che confronta le previsioni di un classificatore con le classi reali. Con due classi mostra veri positivi, falsi positivi, veri negativi e falsi negativi. Da questi valori si calcolano metriche come precisione, recall e F1 score e si capisce quali errori si verificano. Esempio: un filtro antispam che segnala come spam molte e-mail autentiche ha molti falsi positivi, spesso più costosi di uno spam non rilevato.
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.
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.
Un classificatore è un modello o un metodo che assegna un input a una tra diverse categorie predefinite. Le varianti classiche, come gli alberi decisionali o Naive Bayes, vengono addestrate con esempi etichettati; anche i modelli linguistici possono classificare testi sulla base di una descrizione delle categorie. Usi tipici sono il rilevamento dello spam, lo smistamento delle richieste dei clienti per tema e la classificazione di documenti contabili. La qualità si misura con metriche come accuratezza, precisione e recall.
