Для чего используются различные метрики классификации

Разные метрики классификации помогают оценить модель с разных сторон, так как accuracy (точность) может быть недостаточной, особенно при дисбалансе классов.

• Precision (точность): Доля верно предсказанных положительных классов среди всех предсказанных положительных. Важна, когда ложные срабатывания дороги (например, спам).
• Recall (полнота): Доля верно предсказанных положительных классов среди всех реальных положительных. Критична, когда пропуск цели дорог (например, диагностика болезней).
• F1-score: Гармоническое среднее precision и recall. Полезен при дисбалансе классов.
• ROC-AUC: Оценивает способность модели разделять классы. Чем ближе к 1, тем лучше.

Пример кода для расчета метрик в sklearn:

from sklearn.metrics import precision_score, recall_score, f1_score, roc_auc_score

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

print("Precision:", precision_score(y_true, y_pred))
print("Recall:", recall_score(y_true, y_pred))
print("F1:", f1_score(y_true, y_pred))
print("ROC-AUC:", roc_auc_score(y_true, y_pred))