Как повысить precision и recall с 60% до 80%, если это требуется бизнесу

Для повышения precision и recall можно использовать следующие подходы:

1. Feature Engineering

   • Добавить релевантные фичи или преобразовать существующие (логарифмирование, бининг)
   python

   Копировать

   df['log_feature'] = np.log1p(df['feature'])

2. Балансировка классов

   • Применить oversampling (SMOTE) или undersampling
   python

   Копировать

   from imblearn.over_sampling import SMOTE
   X_res, y_res = SMOTE().fit_resample(X, y)

3. Оптимизация порога классификации

   • Найти оптимальный threshold по PR-кривой
   python

   Копировать

   from sklearn.metrics import precision_recall_curve
   precisions, recalls, thresholds = precision_recall_curve(y_true, y_proba)

4. Ансамбли моделей

   • Использовать стекинг или бустинг (CatBoost/XGBoost)
   python

   Копировать

   from xgboost import XGBClassifier
   model = XGBClassifier(scale_pos_weight=class_ratio)

5. Гиперпараметрическая оптимизация

   • Применить Optuna или GridSearchCV для тонкой настройки

Важно: сначала проанализировать ошибки модели (confusion matrix) чтобы понять, в каком направлении двигаться.