Как соотносятся Recall и Precision, можно ли повысить одно не снижая другое? Приведи примеры задач.

Recall (полнота) и Precision (точность) — это метрики качества классификации, особенно важные при несбалансированных данных.

• Recall — доля правильно найденных положительных объектов от всех реально положительных. Показывает, насколько хорошо модель находит все нужные объекты.
• Precision — доля правильно найденных положительных объектов от всех объектов, которые модель пометила как положительные. Показывает, насколько модель точна в своих положительных предсказаниях.

Обычно между ними существует компромисс: повышение Recall часто ведёт к снижению Precision и наоборот. Это связано с порогом принятия решения модели.

Можно ли повысить одно, не снижая другое? В общем случае — нет, но можно улучшить обе метрики, улучшая саму модель (лучшие признаки, алгоритмы, данные). Однако при фиксированной модели изменение порога обычно меняет их в противоположных направлениях.

Примеры задач:

• Медицинская диагностика: важен высокий Recall (не пропустить больного), иногда в ущерб Precision.
• Спам-фильтр: важен высокий Precision (не блокировать важные письма), иногда в ущерб Recall.

Таким образом, выбор между Recall и Precision зависит от бизнес-задачи и последствий ошибок.