Precision, recall, F1, ROC

Penjelasan StatQuest mengenai metrik evaluasi model klasifikasi dan trade-off presisi vs recall pada dataset imbalanced.

Konsep Inti:

• Confusion Matrix: True Positive (TP), False Positive (FP), True Negative (TN), False Negative (FN).
• Precision: $\frac{TP}{TP + FP}$ — seberapa tepat saat model memprediksi positif.
• Recall: $\frac{TP}{TP + FN}$ — seberapa banyak kasus positif nyata yang berhasil ditangkap.
• F1-Score: Rata-rata harmonik antara Precision dan Recall.
• ROC-AUC: Kurva performa model pada berbagai ambang batas klasifikasi.