Sebuah classifier dapat membuat dua kesalahan yang berbeda pada kelas positif. False positive memunculkan peringatan untuk kasus negatif. False negative melewatkan kasus positif. Akurasi menghitung prediksi yang benar di semua baris, sehingga dapat menutupi hasil kelas positif yang lemah ketika kasus negatif umum terjadi.
Presisi menanyakan berapa banyak peringatan yang benar. Recall menanyakan berapa banyak kasus positif sebenarnya yang ditemukan. F1 menggabungkan presisi dan recall melalui rata-rata harmoniknya. Metrik yang tepat bergantung pada apa yang perlu dikendalikan tim, dan tidak satu pun dari metrik ini memberi tahu Anda apakah estimasi probabilitas sudah terkalibrasi dengan baik. Dalam tugas-tugas ini, gunakan kelas 1 sebagai hasil positif. Ketika penyebutnya nol, kebijakan zero_division yang diminta membuat hasilnya eksplisit sehingga nilai yang tidak terdefinisi tidak mengacaukan analisis.
Akurasi menghitung label yang benar di semua baris. Akurasi dapat menyembunyikan positif yang terlewat ketika kelas negatif mendominasi.