Какие метрики используются для оценки моделей машинного обучения?

@abel 

1. Accuracy - точность
2. Precision - точность предсказания положительных классов
3. Recall - полнота
4. F1-Score - гармоническое среднее между Precision и Recall
5. ROC-AUC - площадь под кривой ROC (Receiver Operating Characteristic)
6. Confusion matrix - матрица ошибок
7. Коэффициент детерминации R2
8. Mean squared error (MSE) - среднеквадратичная ошибка
9. Mean absolute error (MAE) - средняя абсолютная ошибка
10. Mean absolute percentage error (MAPE) - средняя абсолютная процентная ошибка
11. Root-mean-square error (RMSE) - корень из среднеквадратичной ошибки
12. Log-loss - логарифмическая ошибка
13. Precision-Recall curve - кривая точности-полноты
14. Коэффициент корреляции Пирсона
15. Mean Average Precision (MAP) - средняя точность предсказаний
16. Normalized Mutual Information (NMI) - нормализованная взаимная информация.

@abel 

1. Accuracy (точность) - показывает, насколько часто модель предсказывает правильный ответ.
2. Precision (точность) - показывает, насколько часто предсказание модели верно, когда она предсказывает положительный класс.
3. Recall (полнота) - показывает, насколько часто модель правильно идентифицирует классы, когда они на самом деле присутствуют.
4. F1-score - это гармоническое среднее точности и полноты.
5. Mean squared error (MSE) - среднеквадратичное отклонение от истинного значения.
6. Root mean squared error (RMSE) - корень из среднеквадратичной ошибки.
7. Mean absolute error (MAE) - средняя абсолютная ошибка.
8. R2 score (коэффициент детерминации) - показывает, насколько хорошо прогнозы модели соответствуют реальным данным.
9. Log-loss - логарифмическая функция потерь, которая используется для оценки качества бинарной классификации.
10. АUC-ROC - площадь под ROC-кривой, показывает, насколько хорошо модель классифицирует классы при различных уровнях порога.
11. Confusion matrix (матрица ошибок) - используется для оценки качества классификации, показывает, сколько раз модель правильно или неправильно классифицировала данные.