Vidējā vidējā precizitāte (mean average precision, mAP) ir metrika, kas novērtē, cik labi sistēma atrod atbilstošus rezultātus un sarindo tos tuvu augšai. Vidējā precizitāte tiek aprēķināta pār rezultātu sarakstu katram vaicājumam vai objektu klasei; mAP ir vidējais visiem. Tas ir standarta mērs meklētājprogrammām, ieteikumu sistēmām un objektu noteikšanai attēlos, kur tas ir atkarīgs arī no nepieciešamā ierobežojošo rāmju pārklāšanās.
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.
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.
Informācijas izguve aptver metodes, kas lielā tekstu apjomā atrod dokumentus vai fragmentus, kuri atbilst vaicājumam, un sakārto tos pēc atbilstības. Klasiskas pieejas, piemēram, BM25, meklēšanas terminiem piešķir svaru pēc tā, cik bieži un cik reti tie sastopami; jaunākas pievieno semantisko līdzību. Tā ir meklētājprogrammu, uzņēmuma meklēšanas un ar izguvi papildinātās ģenerēšanas pamatā, kurā valodas modelis izgūtos fragmentus izmanto kā atbildes pamatu.
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.
