Enumerați metricile de calitate ale modelului de clasificare binară și diferențele lor?

Principalele metrici de calitate ale unui model de clasificare binară și diferențele dintre ele:

• Acuratețea (Accuracy) — proporția de obiecte corect clasificate (pozitive și negative). Este bună când clasele sunt echilibrate.

• Precizia (Precision) — proporția de adevărați pozitivi între toți cei preziceți ca pozitivi de către model. Este importantă când erorile de tip fals pozitiv sunt critice.

• Recall (Sensibilitate, Acoperire) — proporția de adevărați pozitivi pe care modelul i-a identificat corect din totalul pozitivilor reali. Este important pentru a nu rata cazurile pozitive.

• F1-score — media armonică a Preciziei și Recall-ului, echilibrează ambele.

• ROC-AUC — aria sub curba ROC, arată capacitatea modelului de a diferenția între clase la diferiți praguri.

• Log Loss (Pierdere Logaritmică) — măsura calității predicțiilor probabilistice, penalizează predicțiile încrezătoare, dar greșite.

Alegerea metricii depinde de sarcină: de exemplu, în diagnosticarea bolilor, Recall este important pentru a nu rata pacienți bolnavi, iar în spam, Precizia este esențială pentru a nu bloca e-mailuri normale.