Een binair classificatiemodel labelt producten als "Passed" of "Failed" en sorteert items dienovereenkomstig op een assemblagelijn. Welke evaluatiestatistieken moeten worden gebruikt om de prestaties van het model te beoordelen? (Kies er twee.)

Voor een binair classificatiemodel zoals het labelen van producten als "Passed" of "Failed", zijn Precision, Recall, Accuracy en F1-score de meest geschikte evaluatiestatistieken. Precision meet het aandeel correct positieve voorspellingen van alle positieve voorspellingen, wat belangrijk is om te voorkomen dat "Failed" producten onterecht als "Passed" worden geclassificeerd. Recall meet het aandeel correct positieve voorspellingen van alle daadwerkelijke positieven, wat cruciaal is om te garanderen dat alle "Passed" producten correct worden geïdentificeerd. Accuracy geeft het totale percentage correcte voorspellingen weer, en de F1-score is het harmonische gemiddelde van Precision en Recall, wat een evenwichtige maatstaf biedt, vooral bij onevenwichtige datasets. RMSE en MAPE zijn metrische waarden voor regressietaken, niet voor classificatie. BLEU score en Perplexity worden gebruikt voor natuurlijke taalverwerking (NLP) taken.