In einer Hochrisikoumgebung für einen binären Klassifikator hat das Verpassen eines positiven Falls (False Negative) keine Kosten, aber ein False Positive ist extrem kostspielig. Welche Performance-Metrik sollte bei der Optimierung dieses Modells im Vordergrund stehen?

Präzision (Precision) ist die Metrik der Wahl, wenn False Positives extrem kostspielig sind. Sie misst den Anteil der korrekt identifizierten positiven Fälle an allen als positiv klassifizierten Fällen (True Positives / (True Positives + False Positives)). Eine hohe Präzision bedeutet, dass das Modell, wenn es einen Fall als positiv vorhersagt, mit hoher Wahrscheinlichkeit richtig liegt, wodurch teure False Positives minimiert werden. Accuracy wäre unzureichend, da sie alle korrekten Vorhersagen berücksichtigt, ohne die Kosten von False Positives zu gewichten. Recall (Sensitivität) ist wichtig, wenn False Negatives kostspielig sind, was hier nicht der Fall ist. Der F1-Score ist der harmonische Mittelwert aus Präzision und Recall und würde Recall unnötig stark gewichten, obwohl False Negatives keine Kosten verursachen.