Model klasyfikacji binarnej oznacza produkty jako „Passed” (Zaliczone) lub „Failed” (Niezaliczone) i odpowiednio sortuje elementy na linii montażowej. Które metryki oceny należy zastosować do oceny wydajności modelu? (Wybierz dwie.)

Precyzja i kompletność (precision and recall) są kluczowe w modelach klasyfikacji binarnej, szczególnie gdy koszty fałszywych pozytywów i fałszywych negatywów są różne. Precyzja mierzy odsetek poprawnie zidentyfikowanych pozytywnych przypadków spośród wszystkich, które model oznaczył jako pozytywne. Kompletność (recall) mierzy odsetek poprawnie zidentyfikowanych pozytywnych przypadków spośród wszystkich rzeczywistych pozytywnych przypadków. Dokładność (accuracy) i wynik F1 (F1 score) są również odpowiednie. Dokładność mierzy ogólny odsetek poprawnych przewidywań, natomiast wynik F1 jest średnią harmoniczną precyzji i kompletności, użyteczną, gdy klasa jest niezbalansowana. RMSE i MAPE są metrykami regresji, a BLEU i Perplexity są używane w przetwarzaniu języka naturalnego.