Когда применяются классические метрики

Классические метрики (accuracy, precision, recall, F1, ROC-AUC) применяются в задачах классификации. Выбор зависит от дисбаланса классов и бизнес-требований:

• Accuracy — когда классы сбалансированы, а ошибки FP/FN равнозначны.
• Precision — критично минимизировать FP (например, спам-фильтр).
• Recall — важно избегать FN (медицина, диагностика).
• F1 — баланс между precision и recall.
• ROC-AUC — оценка качества модели независимо от порога.

Пример для бинарной классификации:

from sklearn.metrics import precision_score, recall_score
y_true = [1, 0, 1, 1]
y_pred = [1, 1, 1, 0]
print(f"Precision: {precision_score(y_true, y_pred)}")  # 0.666
print(f"Recall: {recall_score(y_true, y_pred)}")       # 0.666