🔥 4 معیار درست برای ارزیابی کلاسه‌بندی نامتوازن:

‏1️⃣ PR-AUC بهتر از ROC-AUC وقتی کلاس مثبت کم‌یابه
‏2️⃣ F1 / F0.5 / F2 بسته به اهمیت Precision یا Recall
‏3️⃣ Balanced Accuracy برای دیتای با نسبت نامتوازن
‏4️⃣ Calibration Curve تا ببینی نمرهٔ احتمال واقعیه یا نه

💡 اول «چه چیزی» مهمه رو مشخص کن، بعد متریک رو انتخاب کن.

🔵 @DataScience_Function