Тестирование с количественным учетом результатов?

Есть некий алгоритм, который постоянно совершенствуется (или нет). И хочется после каждого его усовершенствования тестировать его на нескольких эталонных выборках. Как я понимаю, для этого существуют системы Continuous Integration, которые собирают проект, тестируют и отчитываются о результатах.

И я понимаю, как это работает в случае с классическим тестированием — алгоритм может либо сработать либо не сработать (1 или 0).
В моем же случае это алгоритм компьютерного зрения. И он может отработать на 100%, может на 0%, а может на 66% или 45.6%.

Я не нашел никаких средств, которые учитывают такие вот количественные результаты. Возможно я чего то не понимаю, или что то упускаю.

Пожалуйста, помогите советом или какими нибудь best practices на эту тему.

Спасибо