Как оценивали качество дообученной модели?

Качество дообученной модели обычно оценивают с помощью метрик, которые отражают её производительность на отложенной (валидационной или тестовой) выборке, не использованной при обучении.

Основные подходы:

• Сравнение метрик до и после дообучения. Например, accuracy, precision, recall, F1-score для классификации; RMSE, MAE для регрессии.
• Использование кросс-валидации для более надежной оценки.
• Анализ переобучения: проверка, не ухудшилась ли производительность на исходных данных.
• Визуализация: построение ROC-кривых, PR-кривых, графиков ошибок.

Пример: если модель дообучалась на новых данных, то после дообучения проверяют её на старом тестовом наборе и на новом, чтобы убедиться, что качество улучшилось или по крайней мере не ухудшилось.

Также важно учитывать бизнес-метрики и конечные цели, например, насколько улучшилось качество рекомендаций или снизилось количество ошибок в реальном применении.