Uveďte metriky kvality modelu binární klasifikace a jejich rozdíly?

Hlavní metriky kvality binárního klasifikačního modelu a jejich rozdíly:

• Přesnost (Accuracy) — podíl správně klasifikovaných objektů (pozitivních i negativních). Dobré při vyvážených třídách.

• Preciznost (Precision) — podíl skutečných pozitivních mezi všemi, které model označil jako pozitivní. Důležité, když jsou falešně pozitivní kritické.

• Recall (Citlivost) — podíl skutečných pozitivních, které model správně identifikoval ze všech skutečných pozitivních. Důležité, aby se nepřehlédly pozitivní případy.

• F1-score — harmonický průměr Preciznosti a Recall, který je vyvažuje.

• ROC-AUC — plocha pod křivkou ROC, ukazuje schopnost modelu rozlišovat třídy při různých prahových hodnotách.

• Log Loss (Logaritmická ztráta) — míra kvality pravděpodobnostních předpovědí, penalizuje jisté, ale nesprávné předpovědi.

Výběr metriky závisí na úkolu: například v diagnostice nemocí je důležitý Recall, aby se nepřehlédli nemocní, zatímco v spamových filtrech je klíčová Preciznost, aby se nezablokovaly normální e-maily.