Jakie metryki klasyfikacji binarnej znasz? Zalety i wady każdej z nich.

Główne metryki klasyfikacji binarnej:

1. Dokładność (Accuracy)

   • Procent poprawnie sklasyfikowanych obiektów.
   • Zaleta: prosta i intuicyjna.
   • Wada: słabo działa przy niezrównoważonych klasach.

2. Precyzja (Precyzja pozytywnych przewidywań)

   • Proporcja prawdziwych pozytywów spośród wszystkich przewidywanych pozytywów.
   • Zaleta: ważna, gdy błędy fałszywie pozytywne są krytyczne.
   • Wada: nie uwzględnia pominiętych pozytywów.

3. Czułość (Recall)

   • Proporcja wykrytych prawdziwych pozytywów w stosunku do wszystkich rzeczywistych pozytywów.
   • Zaleta: ważna, gdy pomijanie pozytywów jest krytyczne.
   • Wada: może być wysoka przy dużej liczbie fałszywych pozytywów.

4. F1-score

   • Harmoniczna średnia precyzji i czułości.
   • Zaleta: równoważy precyzję i czułość.
   • Wada: nie uwzględnia prawdziwych negatywów.

5. AUC ROC (Pole pod krzywą ROC)

   • Ocena zdolności modelu do rozróżniania klas przy różnych progach.
   • Zaleta: niezależna od progu klasyfikacji.
   • Wada: może być mniej informatywna przy dużym niezrównoważeniu.

6. Macierz pomyłek

   • Pokazuje TP, FP, TN, FN dla szczegółowej analizy.

Wybór metryki zależy od zadania i tego, które błędy są bardziej krytyczne — pominięcia czy fałszywe alarmy.