Wymień metryki jakości modelu binarnej klasyfikacji i ich różnice?

Główne metryki jakości modelu binarnej klasyfikacji i ich różnice:

• Dokładność (Accuracy) — odsetek poprawnie sklasyfikowanych obiektów (zarówno pozytywnych, jak i negatywnych). Dobra przy zrównoważonych klasach.

• Precyzja (Precision) — odsetek prawdziwych pozytywów spośród wszystkich, które model zaklasyfikował jako pozytywne. Ważne, gdy fałszywe pozytywy są krytyczne.

• Czułość (Recall) — odsetek prawdziwych pozytywów, które model poprawnie wykrył spośród wszystkich rzeczywistych pozytywów. Ważne, aby nie przeoczyć pozytywnych przypadków.

• F1-score — harmoniczna średnia Precyzji i Czułości, równoważy obie.

• ROC-AUC — pole pod krzywą ROC, pokazuje zdolność modelu do rozróżniania klas przy różnych progach.

• Log Loss (Strata Logarytmiczna) — miara jakości prognoz probabilistycznych, karze za pewne, ale błędne przewidywania.

Wybór metryki zależy od zadania: na przykład, w diagnostyce chorób ważny jest Czułość, aby nie przeoczyć chorych, a w spamie ważna jest Precyzja, aby nie blokować normalnych wiadomości.