Un ingeniero de ML está eligiendo un modelo para producción en el que las predicciones de falsos negativos son mucho más costosas que las de falsos positivos. ¿Qué métrica debería priorizar más el ingeniero al seleccionar el modelo?

El ingeniero debe priorizar un Recall alto. El Recall (también conocido como sensibilidad) mide la proporción de verdaderos positivos que se identificaron correctamente. En escenarios donde los falsos negativos (casos positivos que el modelo predice como negativos) son muy costosos, como en la detección de enfermedades graves o fraude, es crucial minimizar estos errores. Un Recall alto significa que el modelo es bueno identificando la mayoría de los casos positivos reales, reduciendo así los falsos negativos. Un Recall bajo sería inaceptable, ya que implicaría muchos falsos negativos costosos. La Precisión (precision) mide la proporción de verdaderos positivos entre todas las predicciones positivas. Aunque importante, una Precisión alta por sí sola no garantiza la minimización de falsos negativos; un modelo podría tener alta precisión si solo predice un pequeño subconjunto de positivos, pero se perdería muchos otros.