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.
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.
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.
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.
Klasifikators ir modelis vai metode, kas ievaddatus piešķir vienai no vairākām iepriekš noteiktām kategorijām. Klasiskus variantus, piemēram, lēmumu kokus vai naivo Beijesa metodi, apmāca uz marķētiem piemēriem; valodas modeļi tekstus var šķirot arī pēc kategoriju apraksta. Tipiski lietojumi ir surogātpasta atpazīšana, klientu pieprasījumu šķirošana pēc tēmas un kvīšu kategorizēšana. Kvalitāti mēra ar metrikām, piemēram, pareizību, precizitāti un pārklājumu.
