Ein binäres Klassifizierungsmodell kennzeichnet Produkte als „Passed“ (bestanden) oder „Failed“ (nicht bestanden) und sortiert die Artikel auf einer Montagelinie entsprechend. Welche Bewertungsmetriken sollten zur Beurteilung der Modellleistung verwendet werden? (Wählen Sie zwei.)

Für ein binäres Klassifizierungsmodell, das Produkte als „bestanden“ oder „nicht bestanden“ klassifiziert, sind Precision und Recall sowie Accuracy und F1 Score die am besten geeigneten Bewertungsmetriken. Precision und Recall sind entscheidend, um die Leistung bei unausgewogenen Datensätzen oder wenn die Kosten für Fehlklassifizierungen unterschiedlich sind, zu bewerten. Precision misst den Anteil der korrekt als „Passed“ klassifizierten Produkte unter allen als „Passed“ klassifizierten Produkten. Recall misst den Anteil der korrekt als „Passed“ klassifizierten Produkte unter allen tatsächlich „Passed“-Produkten. Accuracy ist der Anteil der insgesamt korrekt klassifizierten Produkte. Der F1 Score ist das harmonische Mittel aus Precision und Recall und bietet einen guten Kompromiss, besonders bei unausgewogenen Klassen. RMSE und MAPE sind Metriken für Regressionsprobleme, nicht für Klassifizierung. BLEU Score und Perplexity werden für Aufgaben der natürlichen Sprachverarbeitung (NLP) verwendet.