Srednja povprečna natančnost (mean average precision, mAP) je merilo, ki ocenjuje, kako dobro sistem najde ustrezne rezultate in jih uvrsti blizu vrha. Povprečna natančnost se izračuna po seznamu rezultatov za vsako poizvedbo ali razred predmetov; mAP je povprečje vseh teh vrednosti. Je standardno merilo za iskalnike, priporočilne sisteme in zaznavanje predmetov na slikah, kjer je odvisno tudi od zahtevanega prekrivanja okvirjev.
Agenti, poteki dela in predloge v enem delovnem prostoru – brezplačna 24-urna predstavitev.
Začni predstavitevPriklic (imenovan tudi občutljivost ali stopnja pravih pozitivnih) meri, kolikšen delež dejanskih pozitivnih primerov model zazna: pravilno prepoznani pozitivni primeri, deljeni z vsemi resničnimi pozitivnimi. Če filter goljufij ujame 80 od 100 resničnih primerov goljufije, je njegov priklic 0,8. Visok priklic je pomemben, kadar so spregledani primeri dragi, na primer pri medicinski diagnostiki. Ker ne upošteva lažnih alarmov, se običajno obravnava skupaj z natančnostjo, na primer v meri F.
Ocena F je merilo za vrednotenje klasifikacijskih modelov. Običajna ocena F1 je harmonična sredina natančnosti (koliko napovedanih zadetkov je pravilnih) in priklica (koliko dejanskih zadetkov je bilo najdenih) ter se giblje od 0 do 1. Posebej je uporabna pri neuravnoteženih podatkih: filter neželene pošte, ki skoraj nikoli ne označi neželene pošte, ima lahko visoko točnost, a nizko oceno F1.
Iskanje informacij zajema metode, ki v veliki zbirki besedil najdejo dokumente ali odlomke, ki ustrezajo poizvedbi, in jih razvrstijo po ustreznosti. Klasični pristopi, kot je BM25, iskalne izraze uteže glede na to, kako pogosto in kako redko se pojavljajo; novejši dodajajo pomensko podobnost. Podlaga so iskalnikom, podjetniškemu iskanju in generiranju z dopolnjevanjem iz virov, pri katerem jezikovni model najdene odlomke uporabi kot osnovo za odgovor.
Natančnost top-k meri, kako pogosto je pravilni odgovor med k najverjetnejšimi predlogi modela. Pri top-1 šteje le prva napoved; pri top-5 zadošča, da je pravilni razred med petimi najboljšimi, kar je znana metrika iz primerjalnih testov prepoznavanja slik, kot je ImageNet. Uporabna je povsod, kjer uporabniki vidijo več predlogov, na primer pri priporočilih izdelkov ali samodejnem dopolnjevanju.
