Избройте метриките за качество на модела за бинарна класификация и техните разлики?

Основните метрики за качество на модел за бинарна класификация и техните разлики:

• Точност (Accuracy) — делът на правилно класифицираните обекти (и положителни, и отрицателни). Добра при балансирани класове.

• Прецизност (Precision) — делът на истинските положителни сред всички, които моделът предсказва като положителни. Важна, когато фалшивите положителни са критични.

• Обхват (Recall) — делът на истинските положителни, които моделът е открил сред всички реални положителни. Важен, за да не пропуснем положителни случаи.

• F1-скор — хармонично средно между Precision и Recall, балансира ги.

• ROC-AUC — площ под ROC-кривата, показва способността на модела да различава класовете при различни прагове.

• Log Loss (Логаритмична загуба) — мярка за качеството на вероятностните предсказания, наказва уверени, но грешни прогнози.

Изборът на метрика зависи от задачата: например, при диагностика на болести важен е Recall, за да не пропуснем болни, а при спам важна е Precision, за да не блокираме нормални писма.