Jakie metryki jakości klasyfikacji istnieją?

Aby ocenić jakość klasyfikacji binarnej, często używa się następujących miar:

• Dokładność (Accuracy) — odsetek poprawnie sklasyfikowanych obiektów (zarówno pozytywnych, jak i negatywnych) w stosunku do ogólnej liczby.
• Precyzja (Precision) — odsetek poprawnie przewidzianych obiektów pozytywnych spośród wszystkich, które model zaklasyfikował jako pozytywne.
• Czułość (Recall) — odsetek poprawnie wykrytych obiektów pozytywnych w stosunku do wszystkich rzeczywistych pozytywnych.
• F1-score — harmoniczna średnia między precyzją a czułością, równoważy je.
• ROC-AUC — pole pod krzywą ROC, pokazuje jakość rozdzielenia klas przy różnych progach.

Na przykład, jeśli model przewiduje chorobę, precyzja pokaże, jak często pozytywna prognoza jest poprawna, a czułość — ile chorych udało się wykryć.