Приведи примеры несимметричных метрик

Precision (точность) — доля верно предсказанных положительных классов среди всех предсказанных положительных.
Пример:

from sklearn.metrics import precision_score
y_true = [1, 0, 1, 1]
y_pred = [1, 1, 0, 1]
print(precision_score(y_true, y_pred))  # 0.666 (2 TP / (2 TP + 1 FP))

Recall (полнота) — доля верно предсказанных положительных классов среди всех истинных положительных.
Пример:

from sklearn.metrics import recall_score
print(recall_score(y_true, y_pred))  # 0.666 (2 TP / (2 TP + 1 FN))

F1-score — гармоническое среднее precision и recall, чувствителен к дисбалансу классов.

ROC-AUC — оценивает способность модели разделять классы, но не учитывает абсолютные значения вероятностей.

Эти метрики несимметричны, так как по-разному штрафуют ошибки (FP vs FN) и зависят от выбора positive класса.