Koje metrike binarne klasifikacije poznajete? Prednosti i mane svake.

Glavne metrike za binarnu klasifikaciju:

1. Tačnost (Accuracy)

   • Udeo ispravno klasifikovanih objekata.
   • Prednost: jednostavna i intuitivna.
   • Nedostatak: loše radi kod neuravnoteženih klasa.

2. Preciznost (Preciznost pozitivnih predviđanja)

   • Udeo pravih pozitivnih među svim predviđenim pozitivnim.
   • Prednost: važna kada su lažno pozitivne greške kritične.
   • Nedostatak: ne uzima u obzir propuštene pozitivne.

3. Osećaj (Recall)

   • Udeo pravih pozitivnih koje je model pronašao u odnosu na sve stvarne pozitivne.
   • Prednost: važan kada je propuštanje pozitivnih kritično.
   • Nedostatak: može biti visok sa mnogo lažno pozitivnih.

4. F1-score

   • Harmonijska sredina između preciznosti i osećaja.
   • Prednost: balansira između tačnosti i osetljivosti.
   • Nedostatak: ne uzima u obzir prave negativne.

5. ROC AUC (Površina ispod ROC krive)

   • Procjenjuje sposobnost modela da razlikuje klase pri različitim pragovima.
   • Prednost: ne zavisi od praga klasifikacije.
   • Nedostatak: može biti manje informativan u slučaju snažnog neuravnoteženja.

6. Matrica zbunjenosti

   • Prikazuje TP, FP, TN, FN za detaljnu analizu.

Izbor metrike zavisi od zadatka i od toga koje greške su kritičnije — propuštanja ili lažni alarmi.