En un entorno de alto riesgo para un clasificador binario, perder un caso positivo (falso negativo) no tiene costo, pero generar un falso positivo es extremadamente costoso. ¿Qué métrica de rendimiento debería ser el foco principal al optimizar este modelo?

En este escenario, un falso positivo es extremadamente costoso, mientras que un falso negativo no tiene costo. La precisión (Precision) mide la proporción de verdaderos positivos entre todos los casos predichos como positivos (verdaderos positivos + falsos positivos). Maximizar la precisión significa minimizar los falsos positivos, que es precisamente el objetivo en este entorno de alto riesgo. Accuracy (Exactitud) no es adecuada porque trata los falsos positivos y falsos negativos por igual, y aquí tienen costos muy diferentes. Recall (Sensibilidad) se enfoca en minimizar los falsos negativos, lo cual no es una preocupación en este caso. F1 score es el promedio armónico de precisión y recall, y no prioriza suficientemente la minimización de falsos positivos.