Вы настраиваете модель логистической регрессии и хотите оценить, как различные пороги классификации влияют на производительность. Какой инструмент оценки следует использовать?

ROC-кривая (Receiver Operating Characteristic) идеально подходит для оценки производительности классификатора при различных порогах классификации. Она отображает зависимость между долей истинно положительных классификаций (чувствительностью) и долей ложноположительных классификаций (1 - специфичность) при изменении порога. Это позволяет визуально оценить компромисс между этими метриками и выбрать оптимальный порог для конкретной задачи. Частота ошибочной классификации (accuracy) — это общая метрика, которая не показывает производительность при разных порогах. Среднеквадратичная ошибка (RMSE) и L1-норма используются для оценки регрессионных моделей, а не классификационных.