# Metriche di valutazione (valutare un modello) Quando addestriamo un modello, dobbiamo misurare **quanto è bravo**. Una **metrica** è un numero che riassume la qualità delle previsioni. Nel caso della **classificazione**, la metrica più comune è l’**accuracy**, ma non è sempre sufficiente. --- ## Accuracy (accuratezza) L’**accuracy** indica **quante previsioni sono corrette** sul totale. * Se su 100 esempi ne indovino 85 → accuracy = 85% * È intuitiva e utile quando le classi sono “bilanciate”. --- ## Quando l’accuracy inganna (classi sbilanciate) Esempio: Nella mia casella di posta in una settimana ricevo 100 email. Di queste: * 95% **non** sono **spam** * 5% sono **spam** Se un modello risponde sempre “non spam”: * accuracy ≈ 95% * ma **non riconosce mai lo spam** Quindi un’accuracy alta può nascondere un modello inutile. --- ## Tipi di errore: non tutti gli sbagli pesano uguale  In una classificazione binaria (es. spam / non spam) esistono errori diversi: * prevedo **spam** ma era **non spam** (falso allarme) (falso positivo) * prevedo **non spam** ma era **spam** (mancato rilevamento) (falso negativo) In contesti reali, uno dei due errori può essere più grave dell’altro. --- ## Confusion Matrix (idea) La **confusion matrix** è una tabella che conta: * quante previsioni sono corrette * e *come* il modello sbaglia  In questo grafico sono presenti quattro valori importanti: * Veri Positivi (TP) * Veri Negativi (TN) * Falsi Positivi (FP) * Falsi Negativi (FN)