信用卡欺诈检测模型必须尽可能多地发现欺诈性交易（阳性）；大约只有2%的交易是欺诈。数据科学家应该优化哪两个评估指标来优先捕获阳性？

信用卡欺诈检测场景中，目标是尽可能多地识别欺诈交易，这对应于高召回率（True Positive Rate, TPR）。由于欺诈交易（正类）非常罕见（仅占2%），数据集高度不平衡。在这种情况下，真阳性率（召回率）是关键指标，因为它衡量模型识别所有实际欺诈交易的能力。 同时，精确率-召回率曲线下面积（Area Under the Precision-Recall Curve, AUPRC）是评估不平衡数据集上模型性能的理想指标。AUPRC综合考虑了不同阈值下的精确率和召回率，尤其在正类样本稀少时，能更准确地反映模型捕获正类的能力，避免了仅依赖召回率可能带来的高假阳性问题。 特异度（Specificity）和假阳性率（False Positive Rate）关注的是负类的识别，而准确率（Accuracy）在不平衡数据集中容易被多数类主导，不能有效反映模型识别少数类的能力。