Quais métricas são adequadas para avaliar a qualidade de um modelo de classificação binária?

Para avaliar a qualidade de um modelo de classificação binária, as seguintes métricas são adequadas:

• Acurácia (Accuracy) — proporção de previsões corretas.
• Precisão (Precision) — quantos dos positivos previstos são realmente positivos.
• Recall (Sensibilidade) — quantos de todos os exemplos positivos o modelo identificou corretamente.
• F1-score — média harmônica de precisão e recall, útil em classes desequilibradas.
• ROC-AUC — área sob a curva ROC, indica a qualidade da separação das classes.

Exemplo de cálculo do F1-score em Python usando sklearn:

from sklearn.metrics import f1_score

y_true = [0, 1, 1, 0, 1]
y_pred = [0, 1, 0, 0, 1]

score = f1_score(y_true, y_pred)
print(f"F1-score: {score}")