Firma musi ponownie skalibrować klasyfikator binarny, aby zmaksymalizować poprawne przewidywania zarówno dla klas pozytywnych, jak i negatywnych. Której metryki oceny powinien użyć inżynier ML do tej ponownej kalibracji?

Dokładność (Accuracy) jest najodpowiedniejszą metryką, gdy celem jest maksymalizacja poprawnych przewidywań zarówno dla klas pozytywnych, jak i negatywnych. Mierzy ona odsetek wszystkich poprawnych przewidywań (prawdziwie pozytywnych i prawdziwie negatywnych) w stosunku do wszystkich przewidywań. Precyzja (Precision) skupia się wyłącznie na poprawności przewidywań pozytywnych, ignorując klasę negatywną. Czułość (Recall) koncentruje się na znajdowaniu wszystkich rzeczywistych przypadków pozytywnych, również ignorując klasę negatywną. Specyficzność (Specificity) mierzy zdolność modelu do poprawnego identyfikowania przypadków negatywnych, ale nie uwzględnia poprawności przewidywań pozytywnych.