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.
Agenti, poteki dela in predloge v enem delovnem prostoru – brezplačna 24-urna predstavitev.
Začni predstavitevMatrika zmot (confusion matrix) je tabela, ki napovedi klasifikatorja primerja z dejanskimi razredi. Pri dveh razredih prikaže resnične pozitivne, lažne pozitivne, resnične negativne in lažne negativne primere. Iz nje je mogoče izračunati merila, kot so natančnost, priklic in ocena F1, jasno pa postane tudi, katere napake se pojavljajo. Primer: filter neželene pošte, ki mnoga prava sporočila označi kot neželena, ima veliko lažnih pozitivnih primerov, kar je pogosto dražje kot zgrešena neželena pošta.
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.
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.
Klasifikator je model ali metoda, ki vnose uvrsti v eno od več vnaprej določenih kategorij. Klasične različice, kot so odločitvena drevesa ali naivni Bayes, se učijo na označenih primerih; jezikovni modeli lahko besedila razvrščajo tudi na podlagi opisa kategorij. Tipična uporaba so prepoznavanje neželene pošte, razvrščanje povpraševanj strank po temah in razvrščanje računov. Kakovost se meri z merili, kot so točnost, natančnost in priklic.
