Średnia precyzja uśredniona (mean average precision, mAP) to metryka oceniająca, jak dobrze system znajduje trafne wyniki i umieszcza je blisko szczytu listy. Średnią precyzję oblicza się na liście wyników dla każdego zapytania lub klasy obiektów; mAP jest średnią ze wszystkich. Jest standardową miarą dla wyszukiwarek, systemów rekomendacji i wykrywania obiektów na obrazach, gdzie zależy też od wymaganego nakładania się ramek ograniczających.
Agenci, przepływy i szablony w jednym obszarze roboczym – bezpłatne demo na 24 godziny.
Uruchom demoCzułość (recall, nazywana też sensitivity lub wskaźnikiem prawdziwie pozytywnych) mierzy, jaką część rzeczywistych przypadków pozytywnych wykrywa model: poprawnie rozpoznane przypadki pozytywne podzielone przez wszystkie rzeczywiste przypadki pozytywne. Jeśli filtr oszustw wychwytuje 80 ze 100 rzeczywistych oszustw, jego czułość wynosi 0,8. Wysoka czułość ma znaczenie tam, gdzie pominięte przypadki są kosztowne, na przykład w diagnostyce medycznej. Ponieważ pomija fałszywe alarmy, zwykle rozpatruje się ją razem z precyzją, na przykład we wskaźniku F.
Miara F to metryka do oceny modeli klasyfikacyjnych. Powszechna miara F1 jest średnią harmoniczną precyzji (ile spośród przewidzianych trafień jest poprawnych) i czułości (ile rzeczywistych trafień znaleziono) i przyjmuje wartości od 0 do 1. Jest szczególnie użyteczna przy danych niezrównoważonych: filtr spamu, który prawie nigdy nie oznacza spamu, może mieć wysoką dokładność, ale niską miarę F1.
Wyszukiwanie informacji (information retrieval) obejmuje metody znajdowania w dużym zbiorze tekstów dokumentów lub fragmentów pasujących do zapytania i porządkowania ich według trafności. Klasyczne podejścia, takie jak BM25, ważą szukane terminy według tego, jak często i jak rzadko występują; nowsze dodają podobieństwo semantyczne. Stanowi podstawę wyszukiwarek, wyszukiwania korporacyjnego i generowania wspomaganego wyszukiwaniem, w którym model językowy wykorzystuje znalezione fragmenty jako podstawę odpowiedzi.
Dokładność top-k mierzy, jak często poprawna odpowiedź znajduje się wśród k najbardziej prawdopodobnych propozycji modelu. W top-1 liczy się tylko pierwsza predykcja; w top-5 wystarczy, że poprawna klasa jest wśród pięciu najlepszych – to znana metryka z benchmarków rozpoznawania obrazów, takich jak ImageNet. Przydaje się wszędzie tam, gdzie użytkownicy widzą kilka propozycji, na przykład w rekomendacjach produktów lub autouzupełnianiu.
