Welke metriek voor binaire classificatie kent u? Voor- en nadelen van elk.

De belangrijkste metrics voor binaire classificatie:

1. Nauwkeurigheid (Accuracy)

   • Procent correct geclassificeerde objecten.
   • Voordeel: eenvoudig en intuïtief.
   • Nadeel: werkt slecht bij ongebalanceerde klassen.

2. Precisie (Positieve voorspellingen)

   • Proportie van echte positieven onder alle voorspelde positieven.
   • Voordeel: belangrijk wanneer fout-positieve fouten kritisch zijn.
   • Nadeel: houdt geen rekening met gemiste positieven.

3. Recall (Herinnering)

   • Proportie van door het model gevonden echte positieven ten opzichte van alle echte positieven.
   • Voordeel: belangrijk wanneer het missen van positieven kritisch is.
   • Nadeel: kan hoog zijn bij veel fout-positieven.

4. F1-score

   • Harmonic mean van precisie en recall.
   • Voordeel: balanceert tussen nauwkeurigheid en gevoeligheid.
   • Nadeel: houdt geen rekening met echte negatieven.

5. ROC AUC (Oppervlakte onder de ROC-curve)

   • Evalueert het vermogen van het model om klassen te onderscheiden bij verschillende drempels.
   • Voordeel: onafhankelijk van de classificatiedrempel.
   • Nadeel: kan minder informatief zijn bij sterke onbalans.

6. Verwarringsmatrix

   • Toont TP, FP, TN, FN voor gedetailleerde analyse.

De keuze van de metric hangt af van de taak en welke fouten kritischer zijn — gemiste positives of valse alarmen.