某公司训练了一个分类器来检测信用卡欺诈；大约2%的交易是欺诈性的。业务优先级是尽可能多地捕获欺诈性交易。数据科学家应该优化哪些评估指标？（选择两项。）

由于欺诈交易只占2%，数据集严重不平衡。业务目标是尽可能多地捕获欺诈交易，这意味着模型需要高召回率（True Positive Rate）。召回率衡量了所有实际欺诈交易中被正确识别的比例。 然而，仅仅追求高召回率可能会导致大量的误报（将正常交易错误地标记为欺诈），这会带来额外的审查成本。因此，除了召回率，还需要考虑精确率（Precision），它衡量了模型预测为欺诈的交易中实际是欺诈的比例。 F1分数是精确率和召回率的调和平均值，它在两者之间取得了平衡。在高召回率和可接受的精确率之间找到平衡对于业务至关重要，因此F1分数和召回率（True Positive Rate）是优化此分类器的关键指标。 Specificity（特异度）和False positive rate（误报率）是互补的，它们衡量模型正确识别非欺诈交易的能力。虽然重要，但在此场景下，它们不是首要优化目标。Accuracy（准确率）在不平衡数据集中具有误导性，因为即使模型将所有交易都预测为非欺诈，也能达到98%的准确率。