在一个二元分类器的高风险环境中，漏报正例（假阴性）没有成本，但误报正例（假阳性）的成本极高。在优化此模型时，应将哪个性能指标作为主要关注点？

在此高风险场景中，漏报正例（假阴性）没有成本，但误报正例（假阳性）的成本极高。这意味着我们必须尽量减少将负例错误地预测为正例的情况。Precision（精确率）衡量的是在所有被模型预测为正例的样本中，实际为正例的比例。优化Precision会直接降低假阳性率，因为高Precision意味着模型在预测正例时非常谨慎，只有当它高度确信时才会将其标记为正例。 Accuracy（准确率）衡量的是模型正确预测的样本总数，它不区分假阳性和假阴性的成本。Recall（召回率）衡量的是所有实际正例中被模型正确识别的比例，优化Recall会降低假阴性率，但这与本场景的需求不符。F1 score（F1分数）是Precision和Recall的调和平均值，它在两者之间寻求平衡，不适合这种极端偏重某一类型错误的场景。