Izceliet binārās klasifikācijas modeļa kvalitātes metriku un to atšķirības?

Galvenie binārās klasifikācijas modeļa kvalitātes rādītāji un to atšķirības:

• Precizitāte (Accuracy) — pareizi klasificētu objektu daļa (gan pozitīvi, gan negatīvi). Labs, ja klases ir līdzsvarotas.

• Precizitāte (Precision) — īstie pozitīvie starp visiem, kurus modelis ir prognozējis kā pozitīvus. Svarīgi, ja kļūdaini pozitīvie ir kritiski.

• Atgūšana (Recall) — īstie pozitīvie, ko modelis ir pareizi identificējis no visiem reālajiem pozitīvajiem. Svarīgi, lai nepalaistu garām pozitīvos gadījumus.

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

• ROC-AUC — laukums zem ROC līknes, rāda modeļa spēju atšķirt klases dažādos sliekšņos.

• Log Loss (Logaritmiskās zaudējumi) — mērījums, kādā kvalitātē ir probabilistiskās prognozes, sodot pārliecinātas, bet kļūdainas prognozes.

Metrikas izvēle ir atkarīga no uzdevuma: piemēram, medicīnas diagnostikā svarīgs ir Atgūšana, lai nepalaistu garām slimos, bet spama filtrā — Precizitāte, lai neblokētu normālas e-pasta ziņas.