Uma empresa deseja detectar o maior número possível de transações fraudulentas com seu modelo de ML. Qual métrica de avaliação deve ser priorizada para maximizar os casos de fraude identificados?

Recall (sensibilidade) é a métrica mais importante quando o objetivo é detectar o maior número possível de casos positivos (neste cenário, transações fraudulentas). Ela mede a proporção de verdadeiros positivos que foram corretamente identificados pelo modelo em relação a todos os positivos reais (verdadeiros positivos + falsos negativos). Um recall alto significa que o modelo é bom em encontrar a maioria das fraudes existentes. A Pontuação F1 é a média harmônica de precisão e recall, sendo útil quando há um equilíbrio entre falsos positivos e falsos negativos. AUC avalia o desempenho geral do classificador em vários limiares, mas não foca especificamente na detecção máxima de positivos. Precisão mede a proporção de identificações positivas que foram realmente corretas, o que é importante para minimizar falsos positivos, mas não para maximizar a detecção de todos os casos de fraude.