Un modelo de clasificación binaria etiqueta los productos como "Aprobado" o "Fallido" y clasifica los artículos en consecuencia en una línea de montaje. ¿Qué métricas de evaluación se deben usar para evaluar el rendimiento del modelo? (Elija dos).

Para un modelo de clasificación binaria como el descrito, las métricas más adecuadas son aquellas que evalúan la calidad de la clasificación. La Precisión (Precision) y el Recall (Exhaustividad) son fundamentales porque miden la proporción de verdaderos positivos entre los positivos predichos y la proporción de verdaderos positivos entre los positivos reales, respectivamente. La Exactitud (Accuracy) es una métrica general que indica la proporción de predicciones correctas sobre el total de predicciones. La Puntuación F1 (F1-Score) es la media armónica de la precisión y el recall, proporcionando un equilibrio entre ambas, especialmente útil cuando las clases están desequilibradas. RMSE y MAPE son métricas para problemas de regresión, no de clasificación. BLEU y la Perplejidad se usan en el procesamiento del lenguaje natural (NLP) para evaluar la calidad de la traducción o la modelización del lenguaje, respectivamente, y no son aplicables a este escenario de clasificación de productos.