Um modelo de detecção de fraude de cartão de crédito deve encontrar o maior número possível de transações fraudulentas (positivos); apenas cerca de 2% das transações são fraudes. Quais duas métricas de avaliação o cientista de dados deve otimizar para priorizar a captura de positivos?

Para um modelo de detecção de fraude onde o objetivo é capturar o maior número possível de fraudes (positivos), mesmo que isso signifique um aumento nos falsos positivos, a Taxa de Verdadeiro Positivo (Recall) é crucial. Ela mede a proporção de fraudes reais que foram corretamente identificadas. A Área sob a Curva de Precisão-Recall (AUC-PR) é mais apropriada do que a AUC-ROC para conjuntos de dados desbalanceados, como este (apenas 2% de fraude), pois foca no desempenho da classe minoritária, fornecendo uma visão mais precisa do trade-off entre precisão e recall. A Especificidade e a Taxa de Falso Positivo são menos relevantes aqui, pois priorizam a identificação correta de transações legítimas, o que não é o foco principal. A Acurácia pode ser enganosa em dados desbalanceados, pois um modelo que classifica tudo como não-fraude ainda teria alta acurácia.