რომელი მეტრიკები შესაფერისია ბინარული კლასიფიკაციის მოდელის ხარისხის შეფასებისთვის?

ბინარული კლასიფიკაციის მოდელის ხარისხის შეფასებისთვის გამოიყენება შემდეგი მეტრიკები:

• სწორად პროგნოზების წილი (Accuracy) — სწორი პროგნოზების განაწილება.
• პოზიტიური პროგნოზების სიზუსტე (Precision) — რამდენი პოზიტიური პროგნოზიდან არის რეალურად პოზიტიური.
• Recall (მოძებნა) — რამდენი ყველა პოზიტიური მაგალითიდან სწორად იპოვა მოდელმა.
• F1-შეფასება — სიზუსტისა და recall-ის ჰარმონიული საშუალო, სასარგებლოა არათანაზომად კლასებისთვის.
• ROC-AUC — ROC გრაფიკის ფართობი, აჩვენებს კლასების განყოფილების ხარისხს.

Python-ში sklearn-ის გამოყენებით F1-შეფასების გამოთვლა:

from sklearn.metrics import f1_score

y_true = [0, 1, 1, 0, 1]
y_pred = [0, 1, 0, 0, 1]

score = f1_score(y_true, y_pred)
print(f"F1-შეფასება: {score}")