Dobór metryk dla rzadkich zdarzeń
Krzywe PR zamiast zwykłej accuracy
Dobór metryk dla rzadkich zdarzeń to bezpłatna lekcja Data Science Academy na CoddyKit. To lekcja 4 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej Data Science Academy, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs Data Science Academy zawiera 4 lekcji w sumie.
Części tej lekcji nie zostały jeszcze przetłumaczone i są wyświetlane po angielsku.
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. 🎯
Często zadawane pytania
Czy lekcja „Dobór metryk dla rzadkich zdarzeń” jest bezpłatna?
Tak — pełny tekst „Dobór metryk dla rzadkich zdarzeń” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu Data Science Academy, przejdź na CoddyKit PRO. Kurs Data Science Academy zawiera 4 lekcji w sumie.
Co nauczysz się w „Dobór metryk dla rzadkich zdarzeń”?
Krzywe PR zamiast zwykłej accuracy Ćwiczysz Data Science Academy z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.
Czy potrzebuję doświadczenia, aby zacząć Data Science Academy?
Nie wymagamy żadnego doświadczenia. Data Science Academy w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 4 z 4.
Ile czasu zajmuje lekcja „Dobór metryk dla rzadkich zdarzeń”?
Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.
Czy mogę pisać i uruchamiać kod w tej lekcji Data Science Academy?
Tak. Każda lekcja Data Science Academy zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.
Wszystkie lekcje w tym kursie
- Dlaczego accuracy zawodzi przy niezbalansowanych danych
- Resampling: SMOTE i undersampling
- Wagi klas i progi
- Dobór metryk dla rzadkich zdarzeń