Вы — аналитик платежной системы. Нужно предсказать, является ли транзакция мошеннической (fraud) или нет (normal) на основе признаков (сумма, страна, время, частота операций и т.п.). Модель возвращает вероятность того, что транзакция является мошеннической. Какие утверждения являются верными? Выберите все подходящие варианты. Варианты ответа:

Решение:

Анализируем каждое утверждение:

1. Это задача бинарной классификации. — Верно. Задача заключается в определении одного из двух классов: мошенническая (fraud) или нормальная (normal) транзакция.
2. Линейная регрессия является более подходящей моделью, чем классификаторы, потому что fraud/normal — это числа 0 и 1. Логистическая регрессия может применяться для решения этой задачи. — Неверно. Линейная регрессия предназначена для предсказания непрерывных значений, а не для классификации. Хотя 'fraud/normal' можно представить как 0 и 1, для бинарной классификации логистическая регрессия или другие классификаторы являются более подходящими.
3. Логистическая регрессия может применяться для решения этой задачи. — Верно. Логистическая регрессия — это классический алгоритм для задач бинарной классификации, который предсказывает вероятность принадлежности к классу.
4. Accuracy всегда является достаточной метрикой для оценки качества модели бинарной классификации. — Неверно. В задачах с несбалансированными классами (например, если мошеннических транзакций очень мало), Accuracy может вводить в заблуждение. Важно использовать и другие метрики.
5. Для оценки качества такой модели можно использовать метрики precision, recall и F1-score. — Верно. Precision, recall и F1-score являются важными метриками для оценки моделей классификации, особенно когда классы несбалансированы. Они дают более полное представление о производительности модели, чем просто Accuracy.

Ответ: Это задача бинарной классификации.; Логистическая регрессия может применяться для решения этой задачи.; Для оценки качества такой модели можно использовать метрики precision, recall и F1-score.