Можно ли применять метрику Accuracy на разбалансированных классах

Accuracy не рекомендуется использовать на разбалансированных классах, так как она может давать ложное впечатление о хорошем качестве модели. Например, если 95% данных принадлежат к одному классу, модель, всегда предсказывающая этот класс, получит Accuracy 95%, но будет бесполезна.

Лучше использовать метрики, учитывающие дисбаланс:

• Precision, Recall, F1-score (для бинарной классификации)
• ROC-AUC (учитывает соотношение TP и FP)
• Cohen's Kappa (учитывает случайное угадывание)

Пример оценки на несбалансированных данных:

from sklearn.metrics import classification_report

print(classification_report(y_true, y_pred, target_names=['class_0', 'class_1']))