[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-precision-and-recall::ru":3,"gloss-cluster-precision-and-recall::ru":26,"gloss-next-precision-and-recall::ru":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"precision-and-recall","mlops","Точность и полнота","Точность и полнота — две половины качества классификатора или поисковой подсистемы, и отвечают они на разные вопросы. Точность спрашивает: какая доля отмеченных системой объектов действительно верна? Полнота спрашивает: какую долю объектов, которые следовало отметить, система нашла? Спам-фильтр с высокой точностью почти не отправляет хорошие письма в мусор, но может пропускать спам; фильтр с высокой полнотой ловит почти весь спам, но изредка карантинит настоящий счёт. Аккуратность — доля всех верных предсказаний — этот компромисс скрывает и становится прямо обманчивой, когда один класс редок: модель, не отмечающая ничего, покажет 99% на задаче с долей события в 1% и не найдёт ничего. Компромисс обычно задаётся порогом, а не жёстким свойством. Снижение порога срабатывания повышает полноту и снижает точность; повышение делает обратное. Какую сторону предпочесть — вопрос продукта, а не моделирования: он зависит от того, чего стоит ложное срабатывание относительно пропуска в вашем процессе. Когда нужно одно число, F1 объединяет обе величины гармоническим средним, но отчёт только по F1 скрывает, в какую сторону компромисса сдвинулось изменение. В системах с поиском та же пара применима к этапу извлечения, где вначале важнее полнота — фрагмент, который не был найден, невозможно переранжировать, — а точность возвращают позже переранжированием.","Точность и полнота отвечают на разные вопросы о классификаторе, а аккуратность прячет компромисс между ними всякий раз, когда один класс редок.",null,[11,14,17,20,23],{"slug":12,"name":13},"class-imbalance","Дисбаланс классов",{"slug":15,"name":16},"eval-harness","Испытательный стенд оценки (Eval Harness)",{"slug":18,"name":19},"golden-dataset","Золотой датасет",{"slug":21,"name":22},"reranking","Реранкинг (Reranking)",{"slug":24,"name":25},"retrieval-evaluation","Оценка качества поиска",[27,31,35,38,41,45,46,49,52,55,58,59],{"slug":28,"category":5,"name":29,"updated_at":30},"annotation-guidelines","Инструкции по разметке","2026-08-24T03:30:02+00:00",{"slug":32,"category":5,"name":33,"updated_at":34},"baseline-model","Базовая модель (baseline)","2026-08-24T02:46:38+00:00",{"slug":36,"category":5,"name":37,"updated_at":34},"batch-inference","Батч-инференс",{"slug":39,"category":5,"name":40,"updated_at":34},"canary-prompt","Канареечный промпт",{"slug":42,"category":5,"name":43,"updated_at":44},"champion-challenger","Чемпион–претендент (A\u002FB-тестирование моделей)","2026-08-24T02:46:37+00:00",{"slug":12,"category":5,"name":13,"updated_at":34},{"slug":47,"category":5,"name":48,"updated_at":34},"continuous-batching","Continuous Batching (непрерывная пакетная обработка)",{"slug":50,"category":5,"name":51,"updated_at":34},"cross-validation","Перекрёстная проверка",{"slug":53,"category":5,"name":54,"updated_at":34},"data-labeling","Разметка данных",{"slug":56,"category":5,"name":57,"updated_at":44},"drift-detection","Обнаружение дрейфа (Drift Detection)",{"slug":15,"category":5,"name":16,"updated_at":44},{"slug":60,"category":5,"name":61,"updated_at":44},"experiment-tracking","Трекинг экспериментов (Experiment Tracking)"]