Какие знаешь метрики оценивания модели классификации

Точность (Accuracy) — доля правильных предсказаний. Подходит для сбалансированных классов.

from sklearn.metrics import accuracy_score
accuracy_score(y_true, y_pred)

Точность (Precision) — доля верно предсказанных положительных классов среди всех предсказанных положительных. Важна, когда ложные срабатывания дороги.

from sklearn.metrics import precision_score
precision_score(y_true, y_pred)

Полнота (Recall) — доля верно предсказанных положительных классов среди всех реальных положительных. Важна при высокой стоимости пропуска положительных случаев.

F1-score — гармоническое среднее точности и полноты. Полезен при дисбалансе классов.

from sklearn.metrics import f1_score
f1_score(y_true, y_pred)

ROC-AUC — площадь под кривой ROC, показывает способность модели разделять классы.

from sklearn.metrics import roc_auc_score
roc_auc_score(y_true, y_pred_proba)

Log Loss — учитывает уверенность модели в предсказаниях. Чем меньше, тем лучше.

from sklearn.metrics import log_loss
log_loss(y_true, y_pred_proba)