Какие метрики бинарной классификации вы знаете? Плюсы и минусы каждой.

Основные метрики бинарной классификации:

1. Accuracy (Точность)

   • Доля правильно классифицированных объектов.
   • Плюс: простая и интуитивная.
   • Минус: плохо работает при несбалансированных классах.

2. Precision (Точность положительных предсказаний)

   • Доля истинно положительных среди всех предсказанных положительных.
   • Плюс: важна, когда ложноположительные ошибки критичны.
   • Минус: не учитывает пропущенные положительные.

3. Recall (Полнота)

   • Доля истинно положительных, найденных моделью, от всех реальных положительных.
   • Плюс: важна, когда пропуск положительных критичен.
   • Минус: может быть высокой при большом числе ложноположительных.

4. F1-score

   • Гармоническое среднее Precision и Recall.
   • Плюс: балансирует между точностью и полнотой.
   • Минус: не учитывает истинно отрицательные.

5. ROC AUC (Площадь под ROC-кривой)

   • Оценивает способность модели различать классы при разных порогах.
   • Плюс: не зависит от порога классификации.
   • Минус: может быть менее информативна при сильном дисбалансе.

6. Confusion Matrix (Матрица ошибок)

   • Показывает TP, FP, TN, FN для детального анализа.

Выбор метрики зависит от задачи и того, какие ошибки критичнее — пропуски или ложные срабатывания.