前k準確率（top-k accuracy）

普通的準確率是非黑即白的：模型那個唯一的最佳猜測，要麼對，要麼錯。前k準確率則寬容得多。它允許模型給出它最好的k個猜測，只要真實答案落在那張短名單裡的任何位置，就算這次預測對了。最常見的版本是前5準確率，它問的是：正確答案，在不在模型最可能的五個選項之中？

對於那些類別繁多、細粒度、又極易混淆的任務，這很有道理。一張哈士奇的照片，可能真的很難和阿拉斯加雪橇犬或狼區分開來；要求模型必須把確切的品種作為它的頭號猜測，可能嚴苛得不公平。前5準確率獎勵模型「至少把真相放進了認真的競爭裡」，而這往往正好匹配預測的實際用法——比如，給一個人擺出一份簡短的候選菜單讓他挑選。

這是個有用的視角，但要坦白它掩蓋了什麼。95%的前5準確率聽起來光彩奪目，可同一個模型的前1數字，也許是謙遜得多的75%——而如果你的應用是依據「單一的自動答案」來行動的，你要承受的就是那個前1。只報那個好看的前5數字，是讓模型聽起來比它實際表現更好的一種經典手法。永遠要問清楚：k是幾，以及這個k是否匹配系統真實的用法。