Uma empresa treina um classificador para detectar fraudes de cartão de crédito; cerca de 2% das transações são fraudulentas. A prioridade do negócio é capturar o maior número possível de transações fraudulentas. Quais métricas de avaliação o cientista de dados deve otimizar? (Escolha duas.)

Para detectar o maior número possível de transações fraudulentas (que são raras, 2%), a empresa precisa otimizar métricas que priorizem a identificação correta da classe minoritária positiva (fraude). A Taxa de Verdadeiro Positivo (Recall) mede a proporção de fraudes reais que foram corretamente identificadas, sendo crucial para este objetivo. A Pontuação F1 é a média harmônica de precisão e recall, fornecendo um equilíbrio entre identificar fraudes e minimizar falsos positivos, o que é importante em cenários de classes desbalanceadas. A Especificidade e a Taxa de Falso Positivo focam na identificação correta da classe negativa (não-fraude), o que não é a prioridade aqui. A Acurácia pode ser enganosa em dados desbalanceados, pois um modelo que prevê 'não-fraude' para todas as transações ainda teria 98% de acurácia, mas falharia completamente em detectar fraudes.