Top-k tikslumas parodo, kaip dažnai teisingas atsakymas patenka tarp k labiausiai tikėtinų modelio pasiūlymų. Esant top-1 skaičiuojama tik pirmoji prognozė; esant top-5 pakanka, kad teisinga klasė būtų tarp penkių geriausių – tai gerai žinoma metrika iš vaizdų atpažinimo etalonų, tokių kaip ImageNet. Ji naudinga visur, kur naudotojai mato kelis pasiūlymus, pavyzdžiui, produktų rekomendacijose ar automatiniame užbaigime.
Agentai, srautai ir šablonai vienoje darbo srityje – nemokama 24 valandų demonstracinė versija.
Pradėti demonstracijąKlaidų matrica – tai lentelė, lyginanti klasifikatoriaus prognozes su tikromis klasėmis. Dviejų klasių atveju ji rodo teisingai teigiamus, klaidingai teigiamus, teisingai neigiamus ir klaidingai neigiamus atvejus. Iš jos galima apskaičiuoti tokius rodiklius kaip tikslumas (precision), pilnumas (recall) ir F1 balas, ir tampa aišku, kokių klaidų pasitaiko. Pavyzdys: šlamšto filtras, daug tikrų el. laiškų pažymintis kaip šlamštą, turi daug klaidingai teigiamų atvejų, o tai dažnai kainuoja brangiau nei praleistas šlamštas.
Vidutinis vidutinis tikslumas (angl. mean average precision, mAP) – tai rodiklis, vertinantis, kaip gerai sistema randa aktualius rezultatus ir išdėsto juos arti viršaus. Vidutinis tikslumas apskaičiuojamas per rezultatų sąrašą kiekvienai užklausai ar objektų klasei; mAP yra visų jų vidurkis. Tai standartinis matas paieškos sistemoms, rekomendacijų sistemoms ir objektų aptikimui vaizduose, kur jis taip pat priklauso nuo reikalaujamo ribojančių rėmelių persidengimo.
F balas yra klasifikavimo modeliams vertinti skirtas rodiklis. Įprastas F1 balas – tai tikslumo (kiek prognozuotų pataikymų yra teisingi) ir pilnumo (kiek tikrų pataikymų rasta) harmoninis vidurkis, kintantis nuo 0 iki 1. Jis ypač naudingas nesubalansuotų duomenų atveju: šlamšto filtras, kuris beveik niekada nežymi šlamšto, gali turėti aukštą tikslumą (accuracy), bet žemą F1 balą.
Klasifikatorius – tai modelis ar metodas, priskiriantis įvestį vienai iš kelių iš anksto apibrėžtų kategorijų. Klasikiniai variantai, tokie kaip sprendimų medžiai ar naivusis Bajeso klasifikatorius, mokomi su pažymėtais pavyzdžiais; kalbos modeliai taip pat gali rūšiuoti tekstus pagal kategorijų aprašymą. Tipiniai taikymai: šlamšto aptikimas, klientų užklausų rūšiavimas pagal temą ir kvitų kategorizavimas. Kokybė matuojama rodikliais, tokiais kaip tikslumas (accuracy), tikslumas (precision) ir pilnumas (recall).
