Некоторые средства оценки качества решения задачи классификации:

• Accuracy (точность). 14 Показывает количество правильно проставленных меток класса (истинно положительных и истинно отрицательных) от общего количества данных. 1
• Recall (полнота). 2 Показывает, какую долю объектов положительного класса модель смогла правильно классифицировать. 2
• F1-Score. 1 Если Precision и Recall являются одинаково значимыми, можно использовать их среднее гармоническое для получения оценки результатов. 1
• ROC (receiver operating characteristic). 1 График, показывающий зависимость верно классифицируемых объектов положительного класса от ложно положительно классифицируемых объектов негативного класса. 1
• AUC (Area Under Curve). 1 Численное значение, равное площади под ROC-кривой. 2 Чем ближе значение ROC AUC к 1 (или 100%), тем лучше модель справляется с задачей классификации. 2
• Confusion Matrix (матрица ошибок). 23 Содержит в себе количество корректно и некорректно классифицированных примеров для каждого класса. 3