Scegliere le metriche per gli eventi rari
Curve PR invece della semplice accuratezza.
Scegliere le metriche per gli eventi rari è una lezione Data Science Academy gratuita su CoddyKit. Questa è la lezione 4 di 4. Puoi leggere la lezione completa qui gratuitamente — poi esercitati direttamente nel browser con un editor di codice integrato e un tutor IA disponibile 24/7. Fa parte del percorso di apprendimento Data Science Academy, e i tuoi progressi si sincronizzano tra il web e l'app CoddyKit. Il corso Data Science Academy include 4 lezioni in totale.
Parti di questa lezione non sono ancora state tradotte e vengono mostrate in inglese.
Choose the Right Yardstick
You already distrust accuracy on imbalance. Now you need metrics that actually reward catching the rare event.
Precision Asks Are We Sure
Precision is the share of flagged positives that are truly positive. High precision means few false alarms among your alerts.
Recall Asks Did We Catch It
Recall is the share of real positives you actually caught. For rare, costly events, missing them is the worst outcome.
F1 Balances Both
The F1 score blends precision and recall into one number. It rises only when both are decent, punishing a lopsided model.
The PR Curve
A precision-recall curve traces the trade-off across every threshold. It speaks directly to the rare class you care about.
Why PR Over ROC Here
On heavy imbalance, ROC curves can look rosy because true negatives are plentiful. The PR curve stays honest about the rare class.
Average Precision
Average precision summarizes the PR curve in a single score. A higher value means strong precision held across many recall levels.
Read the Full Report
One scikit-learn call prints precision, recall, and F1 for every class at once, so the minority is never hidden.
from sklearn.metrics import classification_report
print(classification_report(y_test, preds))Watch the Minority Row
In that report, fix your eyes on the rare class row. Its recall and precision tell you whether the model truly works. 🎯
Match Metric to Cost
If missed cases are dangerous, optimize recall. If false alarms are expensive, favor precision. Let the real-world cost decide.
Report More Than One
Never lean on a single number. Show precision, recall, F1, and a PR curve together so nobody is fooled by inflated accuracy.
Quick Check
Which metric best suits rare, important events?
Recap
For rare events, judge with precision, recall, F1, and PR curves, not accuracy. Match the metric to which mistake costs you most. 🎯
Domande Frequenti
La lezione «Scegliere le metriche per gli eventi rari» è gratuita?
Sì — il testo completo di «Scegliere le metriche per gli eventi rari» è gratuito qui sul web. Per esercitarvi in modo interattivo (un editor di codice integrato e un tutor IA 24/7) e sbloccare il resto del corso Data Science Academy, passa a CoddyKit PRO. Il corso Data Science Academy include 4 lezioni in totale.
Cosa imparerò in «Scegliere le metriche per gli eventi rari»?
Curve PR invece della semplice accuratezza. Eserciti Data Science Academy con codice pratico che esegui direttamente nel browser, e un tutor IA 24/7 risponde alle tue domande mentre lavori sulla lezione.
Ho bisogno di esperienza per iniziare Data Science Academy?
Non è richiesta alcuna esperienza precedente. Data Science Academy su CoddyKit è strutturato per principianti e studenti avanzati, quindi puoi iniziare da qui o dall'inizio e procedere al tuo ritmo. Questa è la lezione 4 di 4.
Quanto tempo richiede la lezione «Scegliere le metriche per gli eventi rari»?
La maggior parte delle lezioni CoddyKit richiede circa 5–10 minuti. Ogni lezione è breve e interattiva, quindi fai progressi costanti e riprendi esattamente da dove hai lasciato su web e app.
Posso scrivere ed eseguire codice in questa lezione Data Science Academy?
Sì. Ogni lezione Data Science Academy include un editor di codice integrato, quindi scrivi ed esegui codice reale direttamente nel tuo browser e ricevi feedback istantaneo dall'IA — nessuna configurazione locale necessaria.
Tutte le lezioni di questo corso
- Perché l'accuratezza inganna con dati sbilanciati
- Ricampionamento: SMOTE e undersampling
- Pesi delle classi e soglie
- Scegliere le metriche per gli eventi rari