Метрика Accuracy не подходит для задач с несбалансированными классами, потому что она чувствительна к соотношению классов в выборке. 3

В таких ситуациях модель может достигать высокой точности, просто предсказывая наиболее часто встречающийся класс, в то время как её способность распознавать менее представленные классы остаётся недооцененной. 1

Для более полной оценки производительности модели в несбалансированных сценариях целесообразно использовать дополнительные метрики, такие как Precision, Recall и F1-Score. 1 Они не зависят от соотношения классов и потому применимы в условиях несбалансированных выборок. 4

Например, в задаче диагностики редких заболеваний классификатор, предсказывающий всем пациентам отсутствие болезни, будет иметь достаточно высокую Accuracy просто потому, что больных людей в выборке намного меньше. 2