EcoSensors 公司为制造业构建了一个缺陷检测分类器，缺陷的发生率约为 0.5%。漏检缺陷（假阴性）会导致非常高的运营成本，但检查假阳性也会消耗资源。在验证和超参数调优期间，团队应优先选择哪两个评估指标，以确保模型在这种不平衡、漏检成本高昂的环境中表现良好？

在缺陷检测这种高度不平衡且漏检成本极高（假阴性代价大）的场景中，PR-AUC 和 F1-score（尤其是偏重召回率的 F-beta）是更合适的评估指标。PR-AUC 更关注少数正类（缺陷），在正负样本不平衡时比 ROC-AUC 能更准确地反映模型性能，因为 ROC-AUC 可能被大量负样本的正确分类所掩盖。F1-score 是精确率和召回率的调和平均值，能综合考虑两者的表现。当假阴性成本高昂时，召回率（发现所有缺陷的能力）至关重要，因此应优先考虑召回率，选择 beta 1 的 F-beta 分数能更好地反映这一需求。准确率在不平衡数据集中具有误导性，因为它可能通过简单地将所有样本预测为多数类来获得高分。特异度（真阴性率）衡量模型正确识别无缺陷产品的能力，虽然重要，但在此场景中，发现缺陷（召回率）的优先级更高。