Come capire se un modello è buono o cattivo? Quali metriche esistono e cosa significano?

La valutazione della qualità del modello dipende dal compito (classificazione, regressione, ecc.) e dagli obiettivi. Le metriche principali:

Per i compiti di classificazione:

• Precisione (Accuracy) — proporzione di previsioni corrette rispetto al totale. Adatta per classi bilanciate.
• Precisione (Precision) — proporzione di veri positivi tra tutti i positivi previsti.
• Richiamo (Recall) — proporzione di veri positivi trovati rispetto a tutti i positivi reali.
• F1-score — media armonica di precisione e richiamo, che bilancia entrambi.
• ROC-AUC — area sotto la curva ROC, indica la qualità della separazione delle classi.

Per i compiti di regressione:

• MSE (Errore Quadratico Medio) — errore quadratico medio, sensibile a grandi deviazioni.
• MAE (Errore Assoluto Medio) — errore assoluto medio, più resistente ai valori anomali.
• R² (Coefficiente di determinazione) — mostra quale proporzione della variabilità spiega il modello.

Un buon modello è quello che mostra valori elevati nelle metriche di qualità (ad esempio, alta precisione e F1 per classificazione, bassi errori per regressione) su un campione di test, e non solo sul set di addestramento (per evitare l'overfitting). È anche importante considerare il contesto aziendale e l'equilibrio tra le metriche (ad esempio, a volte, la sensibilità è più importante della precisione).