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