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.
Agents, workflows en sjablonen in één werkruimte – gratis demo van 24 uur.
Demo startenEen confusion matrix is een tabel die de voorspellingen van een classificeerder vergelijkt met de werkelijke klassen. Bij twee klassen toont ze echte positieven, valse positieven, echte negatieven en valse negatieven. Daaruit kunnen maten als precisie, recall en F1-score worden berekend en wordt duidelijk welke fouten optreden. Voorbeeld: een spamfilter dat veel echte e-mails als spam aanmerkt, heeft veel valse positieven, wat vaak duurder is dan een gemist spambericht.
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.
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.
Een classificeerder is een model of methode die invoer toewijst aan een van meerdere vooraf bepaalde categorieën. Klassieke varianten zoals beslisbomen of naive Bayes worden getraind op gelabelde voorbeelden; taalmodellen kunnen teksten ook sorteren aan de hand van een beschrijving van de categorieën. Typische toepassingen zijn spamdetectie, het sorteren van klantvragen op onderwerp en het categoriseren van bonnen. De kwaliteit wordt gemeten met maten zoals nauwkeurigheid, precisie en recall.
