Ein medizinisches Diagnosemodell wurde auf einem unausgewogenen Datensatz trainiert, bei dem gesunde Patienten die Anzahl der erkrankten Patienten bei weitem übertreffen. Falsch positive Ergebnisse (fälschlicherweise gesunde Patienten als erkrankt einstufen) erhöhen die Kosten des Unternehmens. Welche Metrik spiegelt die Modellleistung angesichts dieser Bedenken am besten wider?

Präzision (Precision) ist die am besten geeignete Metrik, da sie den Anteil der korrekt als positiv klassifizierten Fälle an allen vom Modell als positiv klassifizierten Fällen misst. In diesem Szenario bedeutet dies, dass Präzision die Anzahl der tatsächlich kranken Patienten unter allen vom Modell als krank eingestuften Patienten angibt. Da falsch positive Ergebnisse (gesunde Patienten als krank einstufen) die Kosten erhöhen, ist es entscheidend, diese zu minimieren. Eine hohe Präzision bedeutet, dass das Modell wenige falsch positive Ergebnisse liefert. Recall (Sensitivität) misst den Anteil der tatsächlich positiven Fälle, die korrekt als positiv identifiziert wurden, was hier bedeuten würde, wie viele kranke Patienten das Modell korrekt erkennt. Dies ist wichtig, aber die Frage betont die Kosten durch falsch positive Ergebnisse. Der F1-Score ist ein harmonisches Mittel aus Präzision und Recall und wäre nützlich, wenn beide gleichermaßen wichtig wären. Accuracy (Genauigkeit) ist bei unausgewogenen Datensätzen irreführend, da ein Modell, das immer "gesund" vorhersagt, eine hohe Genauigkeit erzielen könnte, aber alle kranken Patienten übersehen würde.