Un sistema de detección de fraude marca las transacciones sospechosas con tarjeta de crédito para que las revise un empleado. La empresa quiere reducir el tiempo dedicado a revisar los casos marcados que en realidad son legítimos. ¿Qué métrica de evaluación respalda mejor este objetivo?

La precisión (Precision) es la métrica más adecuada porque mide la proporción de casos positivos identificados correctamente (verdaderos positivos) entre todos los casos identificados como positivos por el modelo. En este escenario, un caso positivo es una transacción marcada como fraudulenta. La empresa quiere reducir el tiempo dedicado a revisar transacciones legítimas que fueron marcadas erróneamente como sospechosas (falsos positivos). Una alta precisión significa que, de todas las transacciones que el sistema marcó como fraudulentas, la mayoría son realmente fraudulentas, minimizando así la revisión de transacciones legítimas. Recall (Exhaustividad) mide la proporción de verdaderos positivos sobre todos los casos positivos reales, lo que sería importante para no perder fraudes, pero no para reducir la revisión de legítimos. Accuracy (Exactitud) mide la proporción de predicciones correctas en general, pero puede ser engañosa en conjuntos de datos desequilibrados. Un Lift chart (Gráfico de elevación) es una herramienta de visualización, no una métrica directa de rendimiento para este objetivo.