Какие знаешь метрики ранжирования

NDCG (Normalized Discounted Cumulative Gain) — учитывает порядок и релевантность элементов. Чем выше позиция релевантного элемента, тем больше вклад в метрику. Нормализация делает метрику сравнимой между разными запросами.

from sklearn.metrics import ndcg_score
ndcg_score([[3, 2, 1]], [[0.1, 0.2, 0.3]])  # Пример для одного запроса

MAP (Mean Average Precision) — среднее значение precision@k для всех релевантных документов. Учитывает только бинарную релевантность.

MRR (Mean Reciprocal Rank) — среднее обратное значение ранга первого релевантного элемента. Полезно, когда важен только топ-1 результат.

Precision@k — доля релевантных элементов среди первых k. Простая, но не учитывает порядок внутри топ-k.

DCG (Discounted Cumulative Gain) — не нормализованная версия NDCG. Использует логарифмическое дисконтирование для учета позиции.

Выбор метрики зависит от задачи: NDCG/MAP для ранжирования поиска, MRR для вопросно-ответных систем, Precision@k для рекомендаций.