Em um ambiente de alto risco para um classificador binário, perder um caso positivo (falso negativo) não tem custo, mas gerar um falso positivo é extremamente custoso. Qual métrica de desempenho deve ser o foco principal ao otimizar este modelo?

A precisão (Precision) é a métrica mais importante neste cenário porque mede a proporção de verdadeiros positivos entre todos os casos classificados como positivos. Um alto custo para falsos positivos significa que o modelo deve ser muito cauteloso ao prever um resultado positivo, e a precisão reflete diretamente essa cautela. A acurácia (Accuracy) não é ideal porque considera tanto falsos positivos quanto falsos negativos igualmente, o que não se alinha com a assimetria de custos. O recall (sensibilidade) foca em minimizar falsos negativos, o que não é uma prioridade aqui, já que perder um caso positivo não tem custo. O F1-score é a média harmônica de precisão e recall, o que o torna menos adequado quando há uma prioridade clara entre os dois.