Использовалась ли F1 мера или аналогичные метрики

Что проверяют

Проверяют не определение, а то, как вы выбирали метрику под задачу: почему F1, а не accuracy или ROC-AUC, и что за этим стояло в бизнесе. Следом почти наверняка спросят, какой был порог классификации и как вы его подбирали.

Как отвечать

Стройте ответ на своём проекте, по шагам:

• задача и баланс классов: что предсказывали и какая доля положительного класса. Например, мошеннических транзакций около процента, и модель, которая всегда отвечает «не мошенничество», набирает accuracy 99%;
• почему F1: это гармоническое среднее precision и recall, 2 * P * R / (P + R), и оно проседает, если низкая хотя бы одна из них. Если пропуск дороже ложной тревоги, честнее F-beta, например F2 через fbeta_score(beta=2);
• усреднение в многоклассовой задаче: average="macro" даёт каждому классу равный вес и показывает провалы на редких, micro и weighted тянутся к частым классам;
• порог: predict() режет по 0,5, а F1 от порога зависит. Подбирали по precision_recall_curve на валидации, не на тесте;
• с чем сравнивали: PR-AUC (average_precision_score) на сильном дисбалансе информативнее ROC-AUC, который на редком классе выглядит оптимистично;
• итог в деньгах или действиях: сколько случаев поймали, сколько ложных срабатываний пришлось разбирать людям.

Числа берите свои, из своего проекта, и будьте готовы объяснить каждое. Если опыта не было, так и скажите: в учебном проекте смотрели accuracy, а сейчас вы бы начали с доли классов и цены ошибок. Покажите это на пет-проекте или соревновании на Kaggle.

Где спотыкаются

Определяют F1 как обычное среднее precision и recall или путают precision с recall. На поведенческом вопросе это сразу обесценивает историю.

Не знают, что F1 не учитывает истинно отрицательные ответы. Если важно качество на обоих классах, одной F1 мало.

Рассказывают, что «F1 выросла с 0,6 до 0,9», но не могут объяснить, за счёт чего. Круглые впечатляющие цифры без механики звучат как выдуманные.