F rādītājs ir klasifikācijas modeļu novērtēšanas metrika. Plaši lietotais F1 rādītājs ir precizitātes (cik daudz no prognozētajiem trāpījumiem ir pareizi) un pārklājuma (cik daudz no faktiskajiem trāpījumiem tika atrasti) harmoniskais vidējais, un tas svārstās no 0 līdz 1. Tas ir īpaši noderīgs ar nesabalansētiem datiem: surogātpasta filtram, kas gandrīz nekad neatzīmē surogātpastu, var būt augsta pareizība, bet zems F1 rādītājs.
Pilnība (to sauc arī par jutīgumu vai patieso pozitīvo rādītāju) mēra, kādu daļu no faktiskajiem pozitīvajiem gadījumiem modelis atpazīst: pareizi identificētie pozitīvie, dalīti ar visiem reālajiem pozitīvajiem. Ja krāpšanas filtrs noķer 80 no 100 reāliem krāpšanas gadījumiem, tā pilnība ir 0,8. Augsta pilnība ir svarīga, ja palaistie gadījumi ir dārgi, piemēram, medicīniskajā diagnostikā. Tā kā tā neņem vērā viltus trauksmes, to parasti aplūko kopā ar precizitāti, piemēram, F-rādītājā.
Neskaidrību matrica ir tabula, kas salīdzina klasifikatora prognozes ar faktiskajām klasēm. Diviem klasēm tā parāda patiesi pozitīvos, viltus pozitīvos, patiesi negatīvos un viltus negatīvos gadījumus. No tās var aprēķināt tādas metrikas kā precizitāte, pārklājums un F1 rādītājs, un kļūst skaidrs, kādas kļūdas rodas. Piemērs: surogātpasta filtram, kas daudzus īstus e-pastus atzīmē kā surogātpastu, ir daudz viltus pozitīvu rezultātu, kas bieži ir dārgāk nekā nokavēts surogātpasta ziņojums.
Laukums zem līknes (AUC) ir klasifikācijas modeļu metrika, kas parasti attiecas uz ROC līkni. Tā norāda, cik labi modelis nošķir pozitīvos gadījumus no negatīviem, neatkarīgi no kāda konkrēta sliekšņa. Vērtība 1 nozīmē perfektu nošķiršanu; 0,5 nav labāks par minēšanu. Piemērs: klientu aiziešanas modelis ar AUC 0,85 nejauši izvēlētu klientu, kas aiziet, 85 % gadījumu novērtē kā riskantāku par lojālu klientu.
Top-k precizitāte mēra, cik bieži pareizā atbilde ir starp modeļa k visticamākajiem ieteikumiem. Ar top-1 skaitās tikai pirmā prognoze; ar top-5 pietiek, ja pareizā klase ir starp piecām labākajām, kas ir labi zināma metrika attēlu atpazīšanas etalonos, piemēram, ImageNet. Tā ir noderīga visur, kur lietotāji redz vairākus ieteikumus, piemēram, produktu ieteikumos vai automātiskajā pabeigšanā.
