Un'azienda deve ricalibrare un classificatore binario per massimizzare le previsioni corrette sia per le classi positive che negative. Quale metrica di valutazione dovrebbe usare l'ingegnere ML per questa ricalibrazione?

L'Accuracy (accuratezza) è la metrica più appropriata quando l'obiettivo è massimizzare le previsioni corrette sia per le classi positive che negative, poiché misura la percentuale totale di previsioni corrette (veri positivi + veri negativi) rispetto al numero totale di campioni. Precisione (Precision) misura quanti dei campioni previsti come positivi sono effettivamente positivi (TP / (TP + FP)), ed è utile quando il costo dei falsi positivi è alto. Recall (Richiamo) misura quanti dei campioni positivi effettivi sono stati correttamente identificati (TP / (TP + FN)), ed è utile quando il costo dei falsi negativi è alto. Specificità (Specificity) misura quanti dei campioni negativi effettivi sono stati correttamente identificati (TN / (TN + FP)), ed è essenzialmente il richiamo per la classe negativa. Nessuna di queste singole metriche considera equamente l'accuratezza su entrambe le classi come fa l'Accuracy.