Перечислите метрики качества модели бинарной классификации и их отличия?

Основные метрики качества модели бинарной классификации и их отличия:

• Accuracy (Точность) — доля правильно классифицированных объектов (и положительных, и отрицательных). Хороша при сбалансированных классах.

• Precision (Точность положительного класса) — доля истинно положительных среди всех, что модель предсказала как положительные. Важна, когда ложноположительные ошибки критичны.

• Recall (Полнота, чувствительность) — доля истинно положительных, которые модель правильно нашла среди всех реальных положительных. Важна, когда важно не пропустить положительные случаи.

• F1-score — гармоническое среднее Precision и Recall, балансирует между ними.

• ROC-AUC — площадь под ROC-кривой, показывает способность модели различать классы при разных порогах.

• Log Loss (Логарифмическая потеря) — мера качества вероятностных предсказаний, штрафует за уверенные, но неправильные прогнозы.

Выбор метрики зависит от задачи: например, при диагностике болезней важен Recall, чтобы не пропустить больных, а при спаме важен Precision, чтобы не блокировать нормальные письма.