Jaké metriky binární klasifikace znáte? Výhody a nevýhody každé.

Hlavní metriky binární klasifikace:

1. Přesnost (Accuracy)

   • Podíl správně klasifikovaných objektů.
   • Výhoda: jednoduchá a intuitivní.
   • Nevýhoda: špatně funguje při nevyvážených třídách.

2. Přesnost (Pravdivé pozitivní předpovědi)

   • Podíl pravdivých pozitivních mezi všemi předpovězenými pozitivními.
   • Výhoda: důležitá, když jsou chyby falešně pozitivní kritické.
   • Nevýhoda: nezohledňuje přehlížené pozitivní.

3. Recall (Citlivost)

   • Podíl skutečných pozitivních, které model nalezl, vzhledem ke všem skutečným pozitivním.
   • Výhoda: důležitá, když je kritické přehlížení pozitivních.
   • Nevýhoda: může být vysoká při velkém počtu falešně pozitivních.

4. F1-skóre

   • Harmonický průměr přesnosti a recallu.
   • Výhoda: vyvažuje přesnost a citlivost.
   • Nevýhoda: nezohledňuje skutečně negativní.

5. ROC AUC (plocha pod ROC křivkou)

   • Hodnotí schopnost modelu rozlišovat třídy při různých prahových hodnotách.
   • Výhoda: nezávisí na prahu klasifikace.
   • Nevýhoda: může být méně informativní při silném nesouladu.

6. Matice záměn

   • Ukazuje TP, FP, TN, FN pro detailní analýzu.

Výběr metriky závisí na úkolu a na tom, které chyby jsou kritičtější — přehlédnutí nebo falešné poplachy.