Какие метрики использовал для задач классификации

Для задач классификации выбор метрик зависит от типа задачи (бинарная/мультикласс) и дисбаланса классов:

Бинарная классификация:

• Accuracy: (TP + TN) / (TP + TN + FP + FN) — плохо работает при дисбалансе
• Precision, Recall, F1-score: from sklearn.metrics import precision_score, recall_score, f1_score
• ROC-AUC: roc_auc_score(y_true, y_pred_proba) — оценивает качество вероятностей
• PR-AUC — лучше ROC при сильном дисбалансе

Мультикласс:

• Accuracy (если классы сбалансированы)
• Macro/Micro-averaged F1: f1_score(y_true, y_pred, average='macro')
• LogLoss — штрафует за уверенность в ошибке

Пример для бинарного случая:

from sklearn.metrics import classification_report
print(classification_report(y_true, y_pred))

Выбор метрики должен соответствовать бизнес-цели: например, в медицине важнее recall, а в спам-фильтрах — precision.