Un equipo de ML está evaluando un modelo que predice la rotación de clientes (una clasificación binaria). ¿Qué métrica es apropiada para medir el rendimiento del modelo en esta tarea?

La puntuación F1 es una métrica adecuada para la clasificación binaria, especialmente cuando las clases están desequilibradas, como suele ocurrir con la rotación de clientes. Combina la precisión (proporción de verdaderos positivos entre todos los positivos predichos) y la exhaustividad (proporción de verdaderos positivos entre todos los positivos reales) en una sola puntuación. Un buen modelo de rotación necesita identificar correctamente a los clientes que se irán (exhaustividad) y minimizar las falsas alarmas (precisión). El Error Cuadrático Medio (MSE) y el R-cuadrado son métricas utilizadas para problemas de regresión, no de clasificación. El MSE mide el promedio de los cuadrados de los errores, y el R-cuadrado mide la proporción de la varianza en la variable dependiente que es predecible a partir de la variable independiente. El tiempo utilizado para entrenar el modelo es una métrica de eficiencia, no de rendimiento predictivo.