Ein ML-Ingenieur wählt ein Modell für die Produktion aus, bei dem falsch negative Vorhersagen weitaus kostspieliger sind als falsch positive. Welche Metrik sollte der Ingenieur bei der Modellauswahl am meisten priorisieren?

Der Ingenieur sollte einen hohen Recall priorisieren, da falsch negative Vorhersagen (d.h. das Modell verpasst eine positive Instanz) die kostspieligeren Fehler sind. Recall misst den Anteil der tatsächlich positiven Instanzen, die das Modell korrekt identifiziert hat. Ein hoher Recall bedeutet, dass das Modell die meisten der relevanten positiven Fälle findet und somit die Anzahl der kostspieligen falsch negativen Ergebnisse minimiert. Niedrige Präzision oder niedriger Recall wären kontraproduktiv. Hohe Präzision wäre nützlich, wenn falsch positive Vorhersagen teurer wären, da Präzision den Anteil der korrekt positiven Vorhersagen unter allen positiven Vorhersagen misst. In diesem Szenario sind jedoch falsch negative Vorhersagen das Hauptproblem, weshalb Recall die kritischere Metrik ist.