Precision-Recall のトレードオフ

分類タスクでは、しばしば「Precision-Recall のトレードオフ」という用語が登場します。これはどこから来るのでしょうか？

通常は、確率が最も高いクラスに文書を割り当てます。しかし、最大確率が 0.1 の場合はどうでしょうか。たった 10% の確率でそのクラスに属するとみなすべきでしょうか？

答えは、取り組んでいる問題によって異なります。分類を受け入れるための最小しきい値を設けることができ、しきい値を変えると precision と recall の値は互いに反対方向に動きます。

変数 y_true とモデル model は読み込まれています。また、確率がしきい値より低い場合は、その文書を DEFAULT_CLASS（クラス 2 に設定）に割り当てます。

.predict() メソッドを使って各クラスの確率を取得し、pred_probabilities 変数に保存してください。
最大確率が 0.5 以上の場合にのみ受け入れ、その結果を y_pred_50 変数に保存してください。
np.argmax() と np.max() 関数を使って、しきい値 0.8 でも同様の処理を行ってください。
すべての指標を含む trade_off 変数を出力してください。