Peut-on considérer qu'un nouveau modèle avec un score F1 de 0,81 est meilleur qu'un modèle avec 0,8 et le déployer directement en production?

Нельзя автоматически считать модель с F1-score 0.81 лучше модели с 0.8 и сразу запускать в продакшен. Разница в 0.01 может быть статистически незначимой и не гарантирует улучшения в реальных условиях.

Перед запуском стоит:

• Провести статистический тест значимости (например, бутстрэппинг) для оценки надежности улучшения.
• Оценить модель на независимом тестовом наборе данных.
• Проверить стабильность и производительность модели в условиях, близких к продакшену.
• Оценить влияние на бизнес-метрики и возможные риски.

Только после комплексной оценки можно принимать решение о деплое новой модели.