В чем разница между метриками в классификации и регрессии

Метрики классификации оценивают качество предсказания категорий (классов), а регрессии — числовых значений.

Классификация:

• Accuracy — доля верных предсказаний.
• Precision/Recall — точность и полнота (важно при дисбалансе классов).
• F1-score — гармоническое среднее precision и recall.
• ROC-AUC — площадь под кривой, оценивает разделимость классов.

Регрессия:

• MSE (Mean Squared Error) — средний квадрат ошибок, чувствителен к выбросам.
• RMSE — корень из MSE, в исходных единицах.
• MAE (Mean Absolute Error) — средний модуль ошибок, менее чувствителен к выбросам.
• R² (R-squared) — доля дисперсии, объясненная моделью.

Пример кода для классификации:

from sklearn.metrics import accuracy_score
y_true = [0, 1, 1, 0]
y_pred = [0, 1, 0, 0]
print(accuracy_score(y_true, y_pred))  # 0.75

Пример для регрессии:

from sklearn.metrics import mean_squared_error
y_true = [3, -0.5, 2, 7]
y_pred = [2.5, 0.0, 2, 8]
print(mean_squared_error(y_true, y_pred))  # 0.375