Noem de kwaliteitsmetingen van het binaire classificatiemodel en hun verschillen?

De belangrijkste kwaliteitsmaten voor een binair classificatiemodel en hun verschillen:

• Nauwkeurigheid (Accuracy) — het aandeel correct geclassificeerde objecten (zowel positief als negatief). Goed bij gebalanceerde klassen.

• Precisie (Precision) — het aandeel van ware positieven onder alle door het model voorspelde positieven. Belangrijk wanneer valse positieven kritisch zijn.

• Recall (Sensitiviteit) — het aandeel van ware positieven die het model correct heeft gevonden onder alle werkelijke positieven. Belangrijk om geen positieve gevallen te missen.

• F1-score — harmonisch gemiddelde van Precision en Recall, dat beide balanceert.

• ROC-AUC — gebied onder de ROC-curve, toont het vermogen van het model om klassen te onderscheiden bij verschillende drempels.

• Log Loss (Logaritmisch verlies) — maat voor de kwaliteit van probabilistische voorspellingen, straft zelfverzekerde maar onjuiste voorspellingen.

De keuze van de metriek hangt af van de taak: bijvoorbeeld, bij medische diagnose is Recall belangrijk om geen zieke patiënten te missen, terwijl bij spam de Precision cruciaal is om normale e-mails niet te blokkeren.