Помимо accuracy, есть другие важные метрики:
- Precision (точность) — какая доля предсказанных популярных треков действительно популярна. Формула: TP / (TP + FP)
- Recall (полнота) — какую долю всех популярных треков мы нашли. Формула: TP / (TP + FN)
- F1-score — среднее гармоническое между precision и recall. Показывает баланс между ними.
Если важно не пропустить популярные треки — используйте recall. Если важно не ошибиться в предсказаниях — используйте precision.
Пример
from sklearn.metrics import precision_score, recall_score, f1_score
# Истинные метки классов
y_true = [1, 0, 1, 1, 0, 1, 0, 1]
# Предсказания модели
y_pred = [1, 0, 0, 1, 0, 1, 1, 1]
# Подсчет Precision
precision = precision_score(y_true, y_pred)
print(f"Precision: {precision:.2f}")
# Подсчет Recall
recall = recall_score(y_true, y_pred)
print(f"Recall: {recall:.2f}")
# Подсчет F1-score
f1 = f1_score(y_true, y_pred)
print(f"F1-score: {f1:.2f}")
Определите:
- Каков precision модели?
- Каков recall модели?
- Каков f1-score модели?
В ответе введите три строки, каждое значение округлите до 4-х знаков после запятой. Разделителем целой и дробной частью является точка