Bir şirket, hem pozitif hem de negatif sınıflar için doğru tahminleri en üst düzeye çıkarmak amacıyla ikili bir sınıflandırıcıyı yeniden kalibre etmelidir. Makine öğrenimi mühendisi bu yeniden kalibrasyon için hangi değerlendirme metriklerini kullanmalıdır?

Doğruluk (Accuracy), hem pozitif hem de negatif sınıflar için doğru tahminlerin toplam tahminlere oranını ölçer. Şirketin amacı, her iki sınıf için de doğru tahminleri en üst düzeye çıkarmak olduğundan, genel model performansını değerlendirmek için en uygun metrik Doğruluktur. Hassasiyet (Precision), pozitif olarak tahmin edilen örnekler arasında gerçekten pozitif olanların oranını gösterir ve yalnızca pozitif sınıfın doğru tahminlerine odaklanır. Geri Çağırma (Recall), gerçek pozitiflerin model tarafından ne kadarının doğru bir şekilde tanımlandığını ölçer ve yine pozitif sınıfın yakalanmasına odaklanır. Özgüllük (Specificity) ise gerçek negatiflerin model tarafından ne kadarının doğru bir şekilde tanımlandığını ölçer ve negatif sınıfın doğru tahminlerine odaklanır. Bu metrikler belirli sınıf performanslarına odaklanırken, Doğruluk her iki sınıfın genel performansını yansıtır.