### Описание метрики оценки: F1-score

**F1-score** — это статистическая мера, используемая для оценки точности бинарных классификаций. Она сочетает в себе показатели точности и полноты в одно число, предоставляя общий показатель качества модели, особенно в условиях несбалансированных классов. F1-score особенно полезен, когда необходимо найти баланс между точностью предсказаний (precision) и их полнотой (recall), что делает его идеальным для многих задач машинного обучения, где одинаково важно как избежать ложноположительных результатов, так и не пропустить истинноположительные.

#### Формула F1-score

Метрика F1-score рассчитывается по следующей формуле:

$$ F1 = 2 \times \frac{{\text{Precision} \times \text{Recall}}}{{\text{Precision} + \text{Recall}}} $$

где:
- **Precision** (Точность) определяется как доля истинноположительных результатов среди всех объектов, классифицированных как положительные.
$$ \text{Precision} = \frac{{TP}}{{TP + FP}} $$
- **Recall** (Полнота) определяется как доля истинноположительных результатов среди всех реальных положительных объектов.
$$ \text{Recall} = \frac{{TP}}{{TP + FN}} $$

Здесь:
- \( TP \) (True Positives) — количество правильно классифицированных положительных случаев;
- \( FP \) (False Positives) — количество отрицательных случаев, ошибочно классифицированных как положительные;
- \( FN \) (False Negatives) — количество положительных случаев, ошибочно классифицированных как отрицательные.

#### Как будет использоваться F1-score

Ваша модель будет оцениваться на основе F1-score, рассчитанного для предсказаний по тестовому набору данных. Высокий F1-score указывает на то, что ваша модель не только точно идентифицирует положительные случаи, но и эффективно минимизирует число ложных срабатываний и пропусков.