Как оцениваешь качество модели

Для оценки качества модели используются метрики, зависящие от типа задачи:

Классификация:

• Accuracy (доля правильных ответов): accuracy_score(y_true, y_pred)
• Precision, Recall, F1: precision_score(y_true, y_pred)
• ROC-AUC: roc_auc_score(y_true, y_pred_proba)

Регрессия:

• MSE, RMSE: mean_squared_error(y_true, y_pred)
• MAE: mean_absolute_error(y_true, y_pred)
• R²: r2_score(y_true, y_pred)

Кластеризация:

• Silhouette Score: silhouette_score(X, labels)
• Davies-Bouldin Index

Пример для классификации:

from sklearn.metrics import classification_report
print(classification_report(y_test, y_pred))

Важно:

1. Выбирать метрики, соответствующие бизнес-целям
2. Проверять на кросс-валидации
3. Сравнивать с baseline-моделью
4. Анализировать ошибки (confusion matrix)