Podczas trenowania modeli na niezbalansowanych zbiorach danych, gdzie niektóre klasy mają znacznie więcej przykładów niż inne, która metryka najlepiej mierzy, jak dobrze model równoważy prawidłowe wykrywanie i etykietowanie klas?

Wynik F1 (F1 score) jest najlepszą metryką do oceny modeli na niezbalansowanych zbiorach danych, ponieważ jest średnią harmoniczną precyzji (precision) i czułości (recall). Oznacza to, że uwzględnia zarówno fałszywie pozytywne, jak i fałszywie negatywne wyniki, co jest kluczowe, gdy jedna klasa jest znacznie rzadsza niż inne. Accuracy (dokładność) może być myląca w przypadku niezbalansowanych danych, ponieważ model może osiągnąć wysoką dokładność, po prostu klasyfikując większość próbek jako klasę dominującą, ignorując klasę mniejszościową. Recall (czułość) mierzy zdolność modelu do znajdowania wszystkich pozytywnych próbek, ale nie uwzględnia fałszywie pozytywnych. Precision (precyzja) mierzy odsetek poprawnie przewidzianych pozytywnych próbek spośród wszystkich przewidzianych jako pozytywne, ale nie uwzględnia fałszywie negatywnych. F1 score zapewnia zrównoważoną ocenę obu tych aspektów.