Kādas metriku vari nosaukt klasifikācijas uzdevumiem? Pastāsti par katru no tām.

Klasifikācijas uzdevumiem bieži izmanto šādus rādītājus:

• Precizitāte (Accuracy) — pareizi klasificēto objektu daļa no kopējā skaita. Piemērots līdzsvarotām klasēm.

• Precizitāte (Precision) — attiecība starp patiesi pozitīviem rezultātiem un patiesi pozitīviem plus nepatiesi pozitīviem. Svarīgi, ja nepieciešams samazināt nepatiesi pozitīvos.

• Atgūšana (Recall) — attiecība starp patiesi pozitīviem rezultātiem un patiesi pozitīviem plus nepatiesi negatīviem. Svarīgi, ja nepieciešams samazināt palaistās pozitīvās iespējas.

• F1 rādītājs — harmoniska vidējā vērtība starp Precizitāti un Atgūšanu, kas tos līdzsvaro.

• ROC-AUC — laukums zem ROC līknes, kas rāda modeļa kvalitāti dažādos klasifikācijas sliekšņos.

• Confusion Matrix (Apjukuma matrica) — tabula, kas rāda prognožu sadalījumu pa klasēm, palīdz izprast kļūdu veidus.

Katrs rādītājs ir piemērots dažādiem uzdevumiem un ir atkarīgs no klašu līdzsvara un biznesa mērķiem.