Ce metrici de clasificare binară cunoașteți? Părțile bune și rele ale fiecăruia.

Principalele metrici pentru clasificarea binară:

1. Acuratețea (Accuracy)

   • Proporția obiectelor corect clasificate.
   • Avantaj: simplu și intuitiv.
   • Dezavantaj: funcționează prost cu clase dezechilibrate.

2. Precizia (Precizia predicțiilor pozitive)

   • Proporția de adevărați pozitivi între toți pozitivi prevăzuți.
   • Avantaj: importantă când erorile de fals pozitive sunt critice.
   • Dezavantaj: nu ia în considerare pozitivi omisi.

3. Recall (Sensibilitatea)

   • Proporția de adevărați pozitivi găsiți de model în raport cu toți pozitivi reali.
   • Avantaj: important când omiterea pozitivilor este critică.
   • Dezavantaj: poate fi mare cu mulți fals pozitivi.

4. F1-score

   • Media armonică a preciziei și recall-ului.
   • Avantaj: echilibrează între precizie și sensibilitate.
   • Dezavantaj: nu ia în considerare negativii adevărați.

5. ROC AUC (Suprafața sub curba ROC)

   • Evaluează capacitatea modelului de a distinge clasele la diferiți praguri.
   • Avantaj: nu depinde de pragul de clasificare.
   • Dezavantaj: poate fi mai puțin informativ în caz de dezechilibru puternic.

6. Matricea de confuzie

   • Arată TP, FP, TN, FN pentru analiză detaliată.

Alegerea metricii depinde de sarcină și de ce erori sunt mai critice — omisiuni sau alarme false.