Un modelo de detección de fraude con tarjeta de crédito debe encontrar tantas transacciones fraudulentas (positivos) como sea posible; solo alrededor del 2% de las transacciones son fraude. ¿Qué dos métricas de evaluación debería optimizar el científico de datos para priorizar la captura de positivos?

En la detección de fraude, los "positivos" son las transacciones fraudulentas. El objetivo es identificar la mayor cantidad posible de estas. El True Positive Rate (Tasa de Verdaderos Positivos), también conocido como recall o sensibilidad, mide la proporción de fraudes reales que el modelo identificó correctamente. Optimizar esta métrica asegura que se capturen más transacciones fraudulentas. El Area Under the Precision-Recall Curve (Área bajo la curva de precisión-exhaustividad, AUPRC) es particularmente útil para conjuntos de datos desequilibrados, como este donde el fraude es raro (solo el 2%). A diferencia del AUC-ROC, que puede ser engañoso con clases desequilibradas, el AUPRC se enfoca en la capacidad del modelo para identificar la clase minoritaria (fraude) sin generar demasiados falsos positivos, lo cual es crucial cuando la detección de positivos es prioritaria. Specificity (Especificidad) y False Positive Rate (Tasa de Falsos Positivos) se centran en la identificación correcta de negativos (transacciones no fraudulentas) o en la proporción de no fraudes que se clasifican incorrectamente como fraude, respectivamente. Accuracy (Precisión) puede ser engañosa en conjuntos de datos desequilibrados, ya que un modelo que clasifica todo como no fraude aún podría tener una alta precisión si el fraude es muy raro.