Какие метрики использовал

Для классификации:

• Accuracy (если классы сбалансированы)
• Precision, Recall, F1-score (если дисбаланс)
• ROC-AUC (для вероятностных моделей)
• Log Loss (строгая оценка вероятностей)

Для регрессии:

• MAE (интерпретируемость)
• RMSE (штраф за большие ошибки)
• R² (доля объяснённой дисперсии)

Пример для бинарной классификации:

from sklearn.metrics import classification_report
y_true = [0, 1, 1, 0]
y_pred = [0, 1, 0, 0]
print(classification_report(y_true, y_pred))

Для кластеризации:

• Silhouette Score
• Inertia (внутриклассовое расстояние)

Выбор зависит от задачи и бизнес-контекста. Например, в медицине важнее Recall (минимизация ложноотрицательных прогнозов).