#prкривая — Public Fediverse posts

Ваша модель показывает 95% accuracy и при этом бесполезна: метрики для несбалансированных классов

Модель может показывать 95–99% accuracy и при этом не решать задачу: особенно если редкий класс важнее всего для бизнеса. В статье разбираем, почему accuracy ломается на несбалансированных данных, как читать precision, recall и F1, зачем смотреть PR‑кривую и confusion matrix, а также как подбирать порог классификации с учетом стоимости ошибок. Понять ошибки

https://habr.com/ru/companies/otus/articles/1034692/

#accuracy #precision #recall #F1score #несбалансированные_классы #метрики_классификации #confusion_matrix #PRкривая #порог_классификации #SMOTE

Ваша модель показывает 95% accuracy и при этом бесполезна: метрики для несбалансированных классов

Модель может показывать 95–99% accuracy и при этом не решать задачу: особенно если редкий класс важнее всего для бизнеса. В статье разбираем, почему accuracy ломается на несбалансированных данных, как читать precision, recall и F1, зачем смотреть PR‑кривую и confusion matrix, а также как подбирать порог классификации с учетом стоимости ошибок. Понять ошибки

https://habr.com/ru/companies/otus/articles/1034692/

#accuracy #precision #recall #F1score #несбалансированные_классы #метрики_классификации #confusion_matrix #PRкривая #порог_классификации #SMOTE

Ваша модель показывает 95% accuracy и при этом бесполезна: метрики для несбалансированных классов

Модель может показывать 95–99% accuracy и при этом не решать задачу: особенно если редкий класс важнее всего для бизнеса. В статье разбираем, почему accuracy ломается на несбалансированных данных, как читать precision, recall и F1, зачем смотреть PR‑кривую и confusion matrix, а также как подбирать порог классификации с учетом стоимости ошибок. Понять ошибки

https://habr.com/ru/companies/otus/articles/1034692/

#accuracy #precision #recall #F1score #несбалансированные_классы #метрики_классификации #confusion_matrix #PRкривая #порог_классификации #SMOTE

Ваша модель показывает 95% accuracy и при этом бесполезна: метрики для несбалансированных классов

Модель может показывать 95–99% accuracy и при этом не решать задачу: особенно если редкий класс важнее всего для бизнеса. В статье разбираем, почему accuracy ломается на несбалансированных данных, как читать precision, recall и F1, зачем смотреть PR‑кривую и confusion matrix, а также как подбирать порог классификации с учетом стоимости ошибок. Понять ошибки

https://habr.com/ru/companies/otus/articles/1034692/

#accuracy #precision #recall #F1score #несбалансированные_классы #метрики_классификации #confusion_matrix #PRкривая #порог_классификации #SMOTE