某公司希望其机器学习模型能尽可能多地识别欺诈性交易。为了最大限度地发现欺诈案例，应优先考虑哪个评估指标？

正确答案是 Recall (召回率)。召回率衡量的是模型正确识别出的所有实际欺诈交易的比例。在这种情况下，公司希望“尽可能多地识别欺诈性交易”，这意味着他们更关注避免漏掉欺诈交易（即减少假阴性），这正是召回率所衡量的。 F1 score 是精确率和召回率的调和平均值，在两者都重要时使用，但这里更侧重于发现所有欺诈。 Area Under the ROC Curve (AUC) 衡量模型在所有分类阈值下的整体性能，但没有直接突出“尽可能多地识别欺诈”这一特定目标。 Precision (精确率) 衡量的是模型预测为欺诈的交易中有多少是真正的欺诈。如果优先考虑精确率，模型可能会漏掉许多欺诈交易，因为它会更保守地进行预测，以避免误报。