我们可以从以下几个方面对系统学习性能进行评价：
　　◇ 分类精度：是否能够对输入的数据进行正确、精确的分类。此类系统性能由待分类模式的规模，大规模（成千上万种）、中规模（几千种）、小规模（几十、几百种）；待分类样本的性质、质量；系统结构；系统学习方法等多种因素决定。如，分类结果是精确的还是模糊的、含有多义性的；给出分类结果的同时是否还可以给出分类结果的可信度；分类精确度等等。
　　◇ 解答的正确性和质量：无论是用于分类的，还是解决问题的系统都有解答正确性问题。同时，正确性不一定保证有好的质量，好的质量包括：可读性、稳定性等多方面的因素。
　　◇ 学习的速度：虽然大多数系统的学习都是在后台进行的，但是，学习速度还是一个很重要的系统指标。它不仅仅影响系统的设计，同时，影响系统的实现。一个很费时的学习方法，某种意义上也是很难实现的。因为，通常花费大量时间所进行的操作表现在对学习样本量的要求、系统空间的要求、系统硬件性能的要求上。