Какие знаешь метрики для задач классификации

Основные метрики для задач классификации:

1. Accuracy - доля правильных предсказаний.
   (TP + TN) / (TP + TN + FP + FN)
   Не подходит при дисбалансе классов.

2. Precision - точность положительного класса.
   TP / (TP + FP)
   Важна, когда FP дорого стоят (например, спам-фильтр).

3. Recall (Sensitivity) - полнота положительного класса.
   TP / (TP + FN)
   Критична, когда пропуск положительных случаев недопустим (медицина).

4. F1-score - гармоническое среднее precision и recall.
   2 * (Precision * Recall) / (Precision + Recall)
   Хороший баланс между precision и recall.

5. ROC-AUC - площадь под ROC-кривой.
   Оценивает качество разделения классов при разных порогах.

Пример расчета в Python:

from sklearn.metrics import precision_score, recall_score, f1_score

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

print(f"Precision: {precision_score(y_true, y_pred)}")
print(f"Recall: {recall_score(y_true, y_pred)}")
print(f"F1: {f1_score(y_true, y_pred)}")