Mean average precision (mAP) is een maatstaf die beoordeelt hoe goed een systeem relevante resultaten vindt en bovenaan rangschikt. Voor elke zoekvraag of objectklasse wordt de gemiddelde precisie over de resultatenlijst berekend; mAP is het gemiddelde over alle. Het is een standaardmaat voor zoekmachines, aanbevelingssystemen en objectdetectie in beelden, waar het ook afhangt van de vereiste overlap van begrenzingsvakken.
Agents, workflows en sjablonen in één werkruimte – gratis demo van 24 uur.
Demo startenRecall (ook wel sensitiviteit of true positive rate genoemd) meet welk deel van de werkelijk positieve gevallen een model herkent: correct herkende positieve gevallen gedeeld door alle echte positieve gevallen. Als een fraudefilter 80 van de 100 echte fraudegevallen opspoort, is de recall 0,8. Een hoge recall is belangrijk wanneer gemiste gevallen duur zijn, zoals bij medische diagnoses. Omdat valse alarmen buiten beschouwing blijven, wordt recall meestal samen met precisie bekeken, bijvoorbeeld in de F-score.
De F-score is een maat voor het beoordelen van classificatiemodellen. De gangbare F1-score is het harmonisch gemiddelde van precisie (hoeveel van de voorspelde treffers correct zijn) en recall (hoeveel van de werkelijke treffers zijn gevonden) en loopt van 0 tot 1. Ze is vooral nuttig bij onevenwichtige data: een spamfilter dat bijna nooit spam markeert, kan een hoge nauwkeurigheid maar een lage F1-score hebben.
Information retrieval omvat methoden waarmee in een grote hoeveelheid tekst de documenten of passages worden gevonden die bij een zoekvraag passen, en die op relevantie worden gerangschikt. Klassieke benaderingen zoals BM25 wegen zoektermen naar hoe vaak en hoe zelden ze voorkomen; nieuwere voegen semantische gelijkenis toe. Het vormt de basis van zoekmachines, enterprise search en retrieval-augmented generation, waarbij een taalmodel de opgehaalde passages als basis voor zijn antwoord gebruikt.
Top-k-nauwkeurigheid meet hoe vaak het juiste antwoord tussen de k meest waarschijnlijke suggesties van een model zit. Bij top-1 telt alleen de eerste voorspelling; bij top-5 volstaat het dat de juiste klasse bij de vijf beste hoort, een bekende maatstaf uit benchmarks voor beeldherkenning zoals ImageNet. Ze is nuttig overal waar gebruikers meerdere suggesties zien, bijvoorbeeld bij productaanbevelingen of automatisch aanvullen.
