Какие метрики использовал для задач ранжирования

Для задач ранжирования популярны метрики, оценивающие порядок элементов:

• NDCG (Normalized Discounted Cumulative Gain) – учитывает релевантность и позицию в списке, нормирует DCG на идеальный случай.

from sklearn.metrics import ndcg_score
ndcg_score([3, 2, 1], [[0.1, 0.2, 0.3], [0.3, 0.2, 0.1]])

• MAP (Mean Average Precision) – среднее значение precision@k для каждого релевантного элемента.

• MRR (Mean Reciprocal Rank) – обратная позиция первого релевантного элемента, усреднённая по запросам.

• Precision@k, Recall@k – точность/полнота на первых k позициях.

Для ранжирования с несколькими уровнями релевантности (например, 0-5 звёзд) лучше подходит NDCG, для бинарной релевантности – MAP/MRR.