La puntuación final de clasificación solo es útil cuando sabes explicar su denominador. Esta serie de ejercicios alterna clasificadores ajustados, un modelo de referencia sin variables y distintas métricas. Cada equipo ficticio tiene registros nuevos, así que calcula el resultado solicitado a partir de las matrices proporcionadas en lugar de arrastrar un número de una tarea anterior.
Mantén fija la clase positiva en 1. La precisión describe las alertas que revisaría un equipo, mientras que la sensibilidad describe los casos positivos que encontraría. F1 equilibra esas dos tasas, y la exactitud cuenta todas las etiquetas correctas. Un modelo que solo predice la clase mayoritaria puede hacer que la exactitud parezca mejor que su cobertura de la clase positiva. Las tareas usan los métodos anteriores sin presentar ningún estimador nuevo. Conserva la partición de prueba en todo momento, también cuando ajustes el modelo de referencia más sencillo.
El estimador ajustado aprende de la partición de entrenamiento. Predecir las entradas reservadas da una salida por cada observación de prueba, lista para evaluarla.