Zespół ML ocenia model, który przewiduje rezygnację klientów (klasyfikacja binarna). Która metryka jest odpowiednia do pomiaru wydajności modelu w tym zadaniu?

F1 score jest odpowiednią metryką dla problemów klasyfikacji binarnej, szczególnie gdy klasy są niezbalansowane, co często ma miejsce w przypadku przewidywania rezygnacji klientów (znacznie mniej klientów rezygnuje niż pozostaje). F1 score to średnia harmoniczna precyzji (precision) i kompletności (recall), co zapewnia równowagę między fałszywie pozytywnymi a fałszywie negatywnymi wynikami. Mean squared error (MSE) i R-squared są metrykami używanymi do oceny modeli regresji, a nie klasyfikacji. Czas użyty do trenowania modelu jest miarą efektywności obliczeniowej, a nie wydajności predykcyjnej modelu.