Um engenheiro de ML está escolhendo um modelo para produção onde previsões de falsos negativos são muito mais custosas do que falsos positivos. Qual métrica o engenheiro deve priorizar mais ao selecionar o modelo?

Em cenários onde falsos negativos (FN) são muito mais custosos que falsos positivos (FP), como na detecção de doenças graves ou fraudes, o recall (sensibilidade) é a métrica mais importante. Alto recall significa que o modelo identifica corretamente a maioria dos casos positivos reais, minimizando os falsos negativos. Baixa precisão e baixo recall são geralmente indesejáveis. Alta precisão (precision) é importante quando falsos positivos são mais custosos, mas não neste caso. Priorizar alto recall garante que poucos casos positivos reais sejam perdidos, mesmo que isso resulte em um número maior de falsos positivos, que são considerados menos custosos neste contexto.