В каких моделях используют несимметричные метрики

Несимметричные метрики применяют в задачах, где ошибки разного типа имеют разную стоимость. Например:

1. Медицина:
   Ложноположительный (FP) vs ложноотрицательный (FN) в диагностике. FN опаснее (пропуск болезни), поэтому используют Recall, Precision или Fβ-score (β > 1 для акцента на Recall).

2. Финансы (кредитный скоринг):
   FP (одобрить плохой кредит) дороже FN (отклонить хороший). Здесь важен Precision или Fβ-score (β < 1).

3. Детекция аномалий:
   Редкие события, где FP менее критичны, чем FN. Используют Recall или PR-AUC.

Пример с Fβ-score в sklearn:

from sklearn.metrics import fbeta_score
y_true = [1, 0, 1, 1]
y_pred = [0, 0, 1, 1]
fbeta_score(y_true, y_pred, beta=2)  # Больший вес Recall