ორივე კლასის კლასიფიკაციის მოდელის ხარისხის მეტრიკები და მათი განსხვავებები?

ბინარული კლასიფიკაციის მოდელის ძირითადი ხარისხის მახასიათებლები და მათი განსხვავებები:

• სიზუსტე (Accuracy) — სწორად კლასიფიცირებული ობიექტების წილი (ორივე დადებითი და უარყოფითი). კარგია როდესაც კლასები ბალანსირებულია.

• სიზუსტე (Precision) — ყველა დადებითი პროგნოზის შორის რეალურად დადებითი ობიექტების წილი. მნიშვნელოვანია როდესაც ყალბი დადებითი შედეგები კრიტიკულია.

• მოძებნა (Recall) — რეალურად დადებითი ობიექტების შორის, რომლებიც მოდელმა სწორად იპოვა. მნიშვნელოვანია დადებითი შემთხვევების გამოტოვების თავიდან ასაცილებლად.

• F1-ფაქტორი — სიზუსტესა და მოძებნას შორის ჰარმონიული საშუალო, რომელიც ორივეს აძლიერებს.

• ROC-AUC — ტერიტორია ROC გრაფიკის ქვეშ, აჩვენებს მოდელის შესაძლებლობას კლასებს შორის განსხვავება სხვადასხვა ზღვარზე.

• Log Loss (ლოგარითმული დანაკარგი) — ალბათობის პროგნოზების ხარისხი, სასჯელს აყენებს თავდაჯერებულ, მაგრამ მცდარ პროგნოზებს.

მეტრიკის არჩევა დამოკიდებულია დავალებაზე: მაგალითად, დაავადებების დიაგნოსტიკაში, მნიშვნელოვანია მოძებნა, რათა არ გამოტოვოს ავადმყოფები, ხოლო სპამში — სიზუსტე, რათა არ დაბლოკოს ნორმალური ელფოსტა.