Какие знаешь метрики качества логистической регрессии

Accuracy, Precision, Recall, F1-score, ROC-AUC, Log-Loss — основные метрики для оценки логистической регрессии.

Accuracy — доля верных предсказаний, но плохо работает при дисбалансе классов.
Precision (точность) — сколько из предсказанных положительных классов действительно положительные.
Recall (полнота) — сколько реальных положительных классов модель правильно предсказала.
F1-score — гармоническое среднее Precision и Recall.
ROC-AUC — площадь под ROC-кривой, показывает способность модели разделять классы.
Log-Loss — штрафует за уверенность в неверных предсказаниях.

Пример расчёта в sklearn:

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

y_true = [1, 0, 1, 1]
y_pred = [0.9, 0.1, 0.8, 0.3]  # вероятности класса 1

print("Accuracy:", accuracy_score(y_true, y_pred > 0.5))
print("Precision:", precision_score(y_true, y_pred > 0.5))
print("ROC-AUC:", roc_auc_score(y_true, y_pred))
print("Log-Loss:", log_loss(y_true, y_pred))