Почему нужны метрики кроме accuracy?

Accuracy (точность) показывает долю правильных предсказаний модели, но она не всегда отражает качество модели полноценно, особенно при несбалансированных данных.

Почему нужны другие метрики:

• Precision (точность) — насколько предсказанные положительные примеры действительно положительные.
• Recall (полнота) — насколько модель нашла все положительные примеры.
• F1-score — гармоническое среднее precision и recall, балансирует между ними.
• ROC-AUC — показывает качество классификации при разных порогах.

Например, при редких положительных случаях (например, обнаружение мошенничества) высокая accuracy может быть достигнута просто предсказанием всех примеров как отрицательные, что бесполезно. Поэтому важно использовать метрики, учитывающие баланс между ошибками разных типов.