Eu encontrei esta explicação por um Nathan Yan no Quora
A precisão do Top-N significa que a classe correta fica nas probabilidades do Top-N para que ela conte como "correta". Como exemplo, suponha que eu tenha um conjunto de dados de imagens
- Cachorro
- Gato
- Cachorro
- Pássaro
- Gato
- Gato
- Rato
- Pinguim
Para cada um deles, o modelo prevê uma classe, que aparecerá ao lado da classe correta entre aspas
- Cão Cão"
- Gato "Pássaro"
- Cão Cão"
- Pássaro "Pássaro"
- Gato Gato"
- Gato Gato"
- Mouse "Pinguim"
- Pinguim "Cachorro"
A precisão Top 1 para isso é (5 corretas em 8), 62,5%. Agora, suponha que eu também liste o restante das classes que o modelo previu, em ordem decrescente de suas probabilidades (quanto mais à direita a classe aparecer, menor a probabilidade de o modelo achar que a imagem é da classe)
- Dog “Dog, Cat, Bird, Mouse, Penguin”
- Cat “Bird, Mouse, Cat, Penguin, Dog”
- Dog “Dog, Cat, Bird, Penguin, Mouse”
- Bird “Bird, Cat, Mouse, Penguin, Dog”
- Cat “Cat, Bird, Mouse, Dog, Penguin”
- Cat “Cat, Mouse, Dog, Penguin, Bird”
- Mouse “Penguin, Mouse, Cat, Dog, Bird”
- Penguin “Dog, Mouse, Penguin, Cat, Bird”
Se considerarmos a precisão das três principais, a classe correta precisa estar apenas nas três principais classes previstas para contar. Como resultado, apesar do modelo não conseguir perfeitamente todos os problemas, a precisão do top 3 é de 100%!