Ein Unternehmen möchte mit seinem ML-Modell so viele betrügerische Transaktionen wie möglich erkennen. Welche Bewertungsmetrik sollte priorisiert werden, um die Anzahl der identifizierten Betrugsfälle zu maximieren?

Recall (auch Sensitivität genannt) misst den Anteil der tatsächlich positiven Fälle, die vom Modell korrekt identifiziert wurden. Im Kontext der Betrugserkennung bedeutet ein hoher Recall, dass das Modell einen großen Prozentsatz aller betrügerischen Transaktionen erfolgreich erkennt, was das Ziel des Unternehmens ist, so viele Betrugsfälle wie möglich zu identifizieren. Der F1-Score ist der harmonische Mittelwert aus Precision und Recall und wäre ein guter Kompromiss, wenn sowohl falsch positive als auch falsch negative Ergebnisse wichtig wären. AUC bewertet die Gesamtleistung des Modells über verschiedene Schwellenwerte hinweg, ist aber nicht direkt auf die Maximierung der Betrugserkennung ausgerichtet. Precision misst den Anteil der vom Modell als positiv vorhergesagten Fälle, die tatsächlich positiv sind. Eine hohe Precision würde bedeuten, dass wenige legitime Transaktionen fälschlicherweise als Betrug eingestuft werden, aber sie garantiert nicht, dass alle Betrugsfälle erkannt werden.