Uma empresa deve recalibrar um classificador binário para maximizar as previsões corretas para as classes positiva e negativa. Qual métrica de avaliação o engenheiro de ML deve usar para essa recalibração?

A Acurácia (Accuracy) é a métrica mais adequada quando o objetivo é maximizar as previsões corretas tanto para a classe positiva quanto para a negativa, pois ela mede a proporção de previsões corretas totais (verdadeiros positivos + verdadeiros negativos) em relação ao número total de previsões. A Precisão (Precision) foca apenas na proporção de verdadeiros positivos entre todas as previsões positivas, sendo útil quando o custo de um falso positivo é alto. O Recall (Sensibilidade) foca na proporção de verdadeiros positivos entre todos os casos positivos reais, sendo importante quando o custo de um falso negativo é alto. A Especificidade (Specificity) mede a proporção de verdadeiros negativos entre todos os casos negativos reais. Nenhuma dessas métricas isoladamente otimiza igualmente as previsões corretas de ambas as classes como a Acurácia.