Αναφέρετε τα μετρικά ποιότητας του μοντέλου δυαδικής ταξινόμησης και τις διαφορές τους;

Οι βασικές μετρήσεις ποιότητας ενός μοντέλου δυαδικής ταξινόμησης και οι διαφορές τους:

• Ακρίβεια (Accuracy) — το ποσοστό των σωστά ταξινομημένων αντικειμένων (και θετικών και αρνητικών). Καλή όταν οι κλάσεις είναι ισορροπημένες.

• Ακρίβεια (Precision) — το ποσοστό των πραγματικά θετικών μεταξύ όλων όσων το μοντέλο προέβλεψε ως θετικά. Σημαντικό όταν τα ψευδώς θετικά είναι κρίσιμα.

• Ανάκληση (Recall) — το ποσοστό των πραγματικά θετικών που το μοντέλο εντόπισε σωστά από όλα τα πραγματικά θετικά. Σημαντικό για να μην χάσουμε θετικά περιστατικά.

• F1-score — αρμονική μέση όρου Precision και Recall, που ισορροπεί και τα δύο.

• ROC-AUC — περιοχή κάτω από την καμπύλη ROC, δείχνει την ικανότητα του μοντέλου να διακρίνει τις κλάσεις σε διαφορετικά κατώφλια.

• Log Loss (Λογαριθμική απώλεια) — μέτρο ποιότητας των πιθανοτικών προβλέψεων, τιμωρεί τις σίγουρες αλλά λανθασμένες προβλέψεις.

Η επιλογή της μετρικής εξαρτάται από την εργασία: π.χ., στη διάγνωση ασθενειών, η Ανάκληση είναι σημαντική για να μην παραλείψουμε ασθενείς, ενώ στο spam, η Ακρίβεια είναι κρίσιμη για να μην μπλοκάρουμε κανονικά email.