Какие знаешь метрики качества моделей бинарной классификации

Основные метрики для бинарной классификации:

1. Accuracy — доля правильных предсказаний:

   python

   Копировать

   from sklearn.metrics import accuracy_score
   accuracy_score(y_true, y_pred)

   Не подходит при дисбалансе классов.

2. Precision — точность положительных предсказаний:

   python

   Копировать

   from sklearn.metrics import precision_score
   precision_score(y_true, y_pred)

   Важна, когда ложные срабатывания дороги (например, спам).

3. Recall (Sensitivity) — полнота, доля найденных положительных случаев:

   python

   Копировать

   from sklearn.metrics import recall_score
   recall_score(y_true, y_pred)

   Критична, когда пропуск цели опасен (медицина).

4. F1-score — гармоническое среднее precision и recall:

   python

   Копировать

   from sklearn.metrics import f1_score
   f1_score(y_true, y_pred)

   Оптимален при дисбалансе классов.

5. ROC-AUC — площадь под ROC-кривой, оценивает качество разделения классов:

   python

   Копировать

   from sklearn.metrics import roc_auc_score
   roc_auc_score(y_true, y_proba)

   Чем ближе к 1, тем лучше.

6. Log Loss — учитывает уверенность модели:

   python

   Копировать

   from sklearn.metrics import log_loss
   log_loss(y_true, y_proba)

   Штрафует за ошибочные уверенные предсказания.

Выбор метрики зависит от задачи: например, в медицине важен recall, а в кредитовании — precision.