دقت یک مدل معمولاً از نتایج پیش‌بینی آن در مقایسه با اهداف واقعی محاسبه می‌شود. برای یک مسئله طبقه بندی باینری، دقت به عنوان تعداد پیش بینی های صحیح تقسیم بر تعداد کل پیش بینی ها تعریف می شود. برای یک مسئله طبقه بندی چند کلاسه، دقت به عنوان میانگین دقت در هر کلاس محاسبه می شود.
در مورد یک شبکه عصبی، دقت معمولاً پس از آموزش مدل محاسبه می‌شود و برای ارزیابی عملکرد مدل بر روی یک اعتبارسنجی یا مجموعه داده آزمایشی استفاده می‌شود. دقت را می توان با مقایسه کلاس های پیش بینی شده مدل با کلاس های هدف واقعی و محاسبه نسبت نمونه های طبقه بندی شده به درستی محاسبه کرد.
از طرف دیگر، تابع ضرر در طول آموزش مدل برای ارزیابی عملکرد مدل بر روی داده های آموزشی و هدایت فرآیند بهینه سازی استفاده می شود. ضرر به عنوان تفاوت بین خروجی پیش‌بینی‌شده و هدف واقعی محاسبه می‌شود و نشان‌دهنده میزان مناسب بودن مدل با داده‌ها است. مقدار تلفات کمتر نشان می دهد که مدل بهتر با داده ها سازگار است و مقدار تلفات بیشتر نشان می دهد که مدل نیاز به بهبود بیشتری دارد.
بنابراین، در حالی که از دست دادن در طول آموزش برای ارزیابی عملکرد مدل و هدایت فرآیند بهینه‌سازی استفاده می‌شود، دقت پس از آموزش مدل برای ارزیابی عملکرد آن بر روی داده‌های دیده نشده محاسبه می‌شود.