Что такое модель precision и recall

Precision и recall — метрики для оценки качества классификации, особенно полезные при дисбалансе классов.

Precision (точность) — доля правильно предсказанных положительных классов среди всех предсказанных положительных:
Precision = TP / (TP + FP)
Где:

• TP — true positive (верно предсказанные положительные)
• FP — false positive (ложные срабатывания)

Recall (полнота) — долсть верно предсказанных положительных классов среди всех реальных положительных:
Recall = TP / (TP + FN)
Где FN — false negative (пропущенные положительные).

Пример:

from sklearn.metrics import precision_score, recall_score

y_true = [1, 0, 1, 1, 0]
y_pred = [1, 1, 1, 0, 0]

precision = precision_score(y_true, y_pred)  # 0.666 (2 TP / (2 TP + 1 FP))
recall = recall_score(y_true, y_pred)       # 0.666 (2 TP / (2 TP + 1 FN))

Precision важен, когда критичны ложные срабатывания (например, спам), recall — когда важнее не пропускать положительные (например, диагностика болезней).