Для каких задач лучше всего подходят различные метрики ранжирования

NDCG (Normalized Discounted Cumulative Gain) — лучший выбор для ранжирования с учетом релевантности позиций. Учитывает порядок и степень важности элементов. Пример:

from sklearn.metrics import ndcg_score
true_relevance = [[3, 2, 1, 0]]
scores = [[0.5, 0.2, 0.9, 0.1]]
ndcg = ndcg_score(true_relevance, scores)

MAP (Mean Average Precision) — для бинарной релевантности, когда важно точное расположение релевантных элементов. Хорош для поисковых систем.

Precision@K — когда критично качество топ-K элементов (например, рекомендации). Считает долю релевантных среди первых K.

MRR (Mean Reciprocal Rank) — если важен первый релевантный результат (например, в чат-ботах). Вычисляет обратный ранг первого правильного ответа.