Top-k-noggrannhet mäter hur ofta rätt svar finns bland en modells k mest sannolika förslag. Med top-1 räknas bara den första förutsägelsen; med top-5 räcker det att rätt klass finns bland de fem bästa, ett välkänt mått från benchmarks för bildigenkänning som ImageNet. Det är användbart överallt där användare ser flera förslag, till exempel produktrekommendationer eller autokomplettering.
En förväxlingsmatris är en tabell som jämför en klassificerares förutsägelser med de faktiska klasserna. För två klasser visar den sanna positiva, falska positiva, sanna negativa och falska negativa. Utifrån den kan mått som precision, täckning och F1-värde beräknas, och det blir tydligt vilka fel som uppstår. Exempel: ett skräppostfilter som flaggar många riktiga e-postmeddelanden som skräppost har många falska positiva, vilket ofta är dyrare än ett missat skräppostmeddelande.
Mean average precision (mAP) är ett mått som bedömer hur väl ett system hittar relevanta resultat och rangordnar dem nära toppen. Genomsnittlig precision beräknas över resultatlistan för varje fråga eller objektklass; mAP är medelvärdet över alla. Det är ett standardmått för sökmotorer, rekommendationssystem och objektdetektering i bilder, där det också beror på den krävda överlappningen mellan avgränsningsrutor.
F-värdet är ett mått för att utvärdera klassificeringsmodeller. Det vanliga F1-värdet är det harmoniska medelvärdet av precision (hur många av de förutsagda träffarna som är korrekta) och täckning (hur många av de faktiska träffarna som hittades) och ligger mellan 0 och 1. Det är särskilt användbart vid obalanserade data: ett skräppostfilter som nästan aldrig flaggar skräppost kan ha hög noggrannhet men lågt F1-värde.
En klassificerare är en modell eller metod som placerar indata i en av flera förutbestämda kategorier. Klassiska varianter som beslutsträd eller naiv Bayes tränas på annoterade exempel; språkmodeller kan också sortera texter utifrån en beskrivning av kategorierna. Typiska användningar är skräppostdetektering, sortering av kundförfrågningar efter ämne och kategorisering av kvitton. Kvaliteten mäts med mått som noggrannhet, precision och täckning.
