¿Qué métrica es generalmente la más apropiada para comparar y evaluar modelos de clasificación entre sí?

El Área bajo la curva ROC (AUC) es la métrica más apropiada para comparar y evaluar modelos de clasificación porque proporciona una medida integral del rendimiento del modelo en todos los umbrales de clasificación. Un AUC más alto indica que el modelo es mejor para distinguir entre clases positivas y negativas. Recall (sensibilidad) solo mide la proporción de positivos reales identificados correctamente y no considera los falsos positivos. La tasa de clasificación errónea (o precisión) puede ser engañosa en conjuntos de datos desequilibrados, ya que un modelo que clasifica todo como la clase mayoritaria puede tener una alta precisión pero ser inútil. El Error porcentual absoluto medio (MAPE) es una métrica utilizada para problemas de regresión, no de clasificación.