Является ли accuracy 85% хорошим качеством модели

Что проверяют

Умеете ли вы отвечать на вопрос «по сравнению с чем». Одно число без задачи, без распределения классов и без цены ошибки не значит ничего, и ждут, что это скажете вы, а не интервьюер. Заодно проверяют, доводите ли вы разговор до качества решения, а не до качества метрики.

Как отвечать

Первый встречный вопрос: какова доля мажоритарного класса. Если девять объектов из десяти относятся к одному классу, константный ответ даст точность выше вашей модели, и озвученная величина окажется провалом. На сбалансированной задаче та же величина заметно лучше угадывания.

Второй: чем стоит ошибка. Пропуск и ложная тревога почти никогда не равноценны, а accuracy складывает их с одинаковым весом. Для редкого положительного класса смотрят precision и recall, PR-AUC, взвешенную F-меру, а для сравнения ранжирования независимо от порога ROC-AUC.

Третий: как получено число. Без честного разбиения (по времени, по пользователю, без утечки признаков) и без оценки разброса на размере теста это не результат, а удача. Сравнивать нужно с простым бейзлайном и с тем, что уже работает в проде.

Закрывает тему перевод в решение: модель выдаёт вероятность, порог выбирается под стоимость ошибок, а выигрыш считают в деньгах или в сокращённой ручной проверке.

Где спотыкаются

Отвечают «хорошо» или «плохо», не спросив про задачу и баланс классов. Это самый частый провал, потому что вопрос специально задан без контекста.

Путают качество модели и выбор порога. Accuracy измеряется при конкретном пороге, сдвиг которого перекладывает ошибки между ложными срабатываниями и пропусками, а ранжирующая способность модели при этом не меняется.

Сравнивают своё число с результатами из статей и соревнований. Метрика сопоставима только на той же выборке и том же разбиении, на чужих данных сравнение бессмысленно.