Kuras metrikas ir piemērotas binārās klasifikācijas modeļa kvalitātes novērtēšanai?

Lai novērtētu binārās klasifikācijas modeļa kvalitāti, ir piemēroti šādi rādītāji:

• Precizitāte (Accuracy) — pareizo prognožu daļa.
• Pozitīvo prognožu precizitāte (Precision) — cik no prognozētajiem pozitīvajiem ir patiesi pozitīvi.
• Atgūšana (Recall) — cik no visiem patiesajiem pozitīvajiem piemēriem modelis ir pareizi identificējis.
• F1-score — harmoniska precizitātes un atgūšanas vidējā vērtība, noderīga nelīdzsvarotām klasēm.
• ROC-AUC — laukums zem ROC līknes, rāda klases atdalīšanas kvalitāti.

Python piemērs, kā aprēķināt F1-score ar sklearn:

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-score: {score}")