Dodatkowe wyjaśnienie dot. Prec. i Rec.

lab/05_Ewaluacja.ipynb

@@ -213,7 +213,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 5,
+   "execution_count": 1,
    "metadata": {},
    "outputs": [
     {
@@ -264,8 +264,12 @@
     "x_test = pd.DataFrame(data_test[FEATURES])\n",
     "y_predicted = model.predict(x_test)  # predykcja wyników na podstawie modelu\n",
     "\n",
+    "# Dla klasyfikacji dwuklasowej właśniwe będzie użycie `average=\"binary\", pos_label=1`.\n",
+    "# W przeciwnym wypadku wartości Prec., Rec. i F1 będą identyczne, ponieważ będą liczone jako średnie dla obu klas.\n",
+    "# Z definicji zać Prec. dla pos_label=1 jest identyczna jak Rec. dla pos_label=0;\n",
+    "# analogicznie: Rec. dla pos_label=1 jest identyczne jak Prec. dla pos_label=0.\n",
     "precision, recall, fscore, support = precision_recall_fscore_support(\n",
-    "    y_expected, y_predicted, average=\"micro\"\n",
+    "    y_expected, y_predicted, average=\"binary\", pos_label=1\n",
     ")\n",
     "\n",
     "print(f\"Precision: {precision}\")\n",