分類器輸出的是各類別的機率分布。對於二元分類，一個 0 到 1 之間的數字就足夠了（正類的機率）。對於多類別分類，模型為每個類別輸出一個機率，通常使用 softmax 函數確保它們的總和為 1。預測的類別通常是機率最高的那個，但你可以根據對偽陽性與偽陰性的容忍度來調整決策閾值。
現代大型語言模型是出乎意料好的分類器。你不需要訓練一個專門的模型，只需提示一個 LLM：「將這條客戶評論分類為正面、負面或中性。」對於許多分類任務，這種零樣本方法的表現與專門建造的分類器持平或超越，特別是當任務需要理解細微差別或上下文時。權衡在於成本和延遲——一次 LLM API 呼叫比在本地運行小型分類器貴得多。
準確率（正確的百分比）是最直覺的指標，但可能具有誤導性。如果 99% 的電子郵件不是垃圾郵件，一個永遠預測「非垃圾郵件」的模型可以達到 99% 的準確率，但一封垃圾郵件都抓不到。精確率（預測為正的案例中，有多少是正確的）、召回率（實際為正的案例中，有多少被找到）和 F1 分數（精確率和召回率的調和平均數）提供了更完整的圖像。正確的指標取決於你特定應用中錯誤的代價。