4 معیار درست برای ارزیابی کلاسهبندی نامتوازن:
PR-AUC بهتر از ROC-AUC وقتی کلاس مثبت کمیابه
F1 / F0.5 / F2 بسته به اهمیت Precision یا Recall
Balanced Accuracy برای دیتای با نسبت نامتوازن
Calibration Curve تا ببینی نمرهٔ احتمال واقعیه یا نه
اول «چه چیزی» مهمه رو مشخص کن، بعد متریک رو انتخاب کن.
@DataScience_Function
