Elenca le metriche di qualità del modello di classificazione binaria e le loro differenze?

Le metriche principali di qualità di un modello di classificazione binaria e le loro differenze:

• Precisione (Accuracy) — proporzione di oggetti correttamente classificati (positivi e negativi). È utile quando le classi sono bilanciate.

• Precisione (Precision) — proporzione di veri positivi tra tutti quelli predetti come positivi dal modello. È importante quando i falsi positivi sono critici.

• Richiamo (Recall) — proporzione di veri positivi che il modello ha identificato correttamente tra tutti i positivi reali. È importante per non perdere casi positivi.

• F1-score — media armonica di Precisione e Richiamo, che bilancia entrambe le metriche.

• ROC-AUC — area sotto la curva ROC, mostra la capacità del modello di distinguere tra le classi a diverse soglie.

• Log Loss (Perdita Logaritmica) — misura della qualità delle previsioni probabilistiche, penalizza le previsioni affidabili ma errate.

La scelta della metrica dipende dal compito: ad esempio, nella diagnosi medica, il Richiamo è importante per non perdere pazienti malati, mentre nello spam, la Precisione è fondamentale per non bloccare email normali.