Ein Unternehmen trainiert einen Klassifikator, um Kreditkartenbetrug zu erkennen; etwa 2 % der Transaktionen sind betrügerisch. Die Geschäftspriorität besteht darin, so viele betrügerische Transaktionen wie möglich zu erfassen. Welche Bewertungsmetriken sollte der Data Scientist optimieren? (Wählen Sie zwei.)

Da das Unternehmen möglichst viele betrügerische Transaktionen erfassen möchte, ist die True Positive Rate (Recall) eine entscheidende Metrik. Sie misst den Anteil der tatsächlich betrügerischen Transaktionen, die korrekt als betrügerisch klassifiziert wurden. Eine hohe Recall-Rate bedeutet, dass wenige betrügerische Transaktionen übersehen werden. Der F1-Score ist ebenfalls wichtig, da er das harmonische Mittel aus Precision (Genauigkeit) und Recall darstellt. Er bietet ein ausgewogenes Maß für die Modellleistung, insbesondere bei unausgewogenen Datensätzen wie diesem (nur 2 % betrügerisch). Eine Optimierung des F1-Scores hilft, sowohl eine hohe Erkennungsrate als auch eine akzeptable Rate an Fehlalarmen zu gewährleisten. Die Spezifität und die False Positive Rate sind weniger relevant, da sie sich auf die korrekte Klassifizierung nicht-betrügerischer Transaktionen konzentrieren. Die Genauigkeit (Accuracy) ist bei unausgewogenen Datensätzen irreführend, da ein Modell, das immer "nicht betrügerisch" vorhersagt, eine Genauigkeit von 98 % hätte, aber keinen Betrug erkennen würde.