Quali metriche di classificazione binaria conosci? Vantaggi e svantaggi di ciascuna.

Le metriche principali della classificazione binaria:

1. Precisione (Accuracy)

   • Proporzione di oggetti correttamente classificati.
   • Vantaggio: semplice e intuitiva.
   • Svantaggio: funziona male con classi sbilanciate.

2. Precisione (Predizioni positive corrette)

   • Proporzione di veri positivi tra tutti i positivi previsti.
   • Vantaggio: importante quando gli errori di falso positivo sono critici.
   • Svantaggio: non considera i positivi mancati.

3. Richiamo (Recall)

   • Proporzione di veri positivi trovati dal modello rispetto a tutti i positivi reali.
   • Vantaggio: importante quando la mancata individuazione di positivi è critica.
   • Svantaggio: può essere alto con molti falsi positivi.

4. F1-score

   • Media armonica di Precisione e Richiamo.
   • Vantaggio: bilancia tra precisione e sensibilità.
   • Svantaggio: non considera i negativi veri.

5. AUC ROC (Area sotto la curva ROC)

   • Valuta la capacità del modello di distinguere le classi a diversi sogli.
   • Vantaggio: indipendente dalla soglia di classificazione.
   • Svantaggio: può essere meno informativo in presenza di forte squilibrio.

6. Matrice di confusione

   • Mostra TP, FP, TN, FN per analisi dettagliata.

La scelta della metrica dipende dal compito e da quali errori sono più critici — omissioni o falsi positivi.