Una empresa entrena un clasificador para detectar fraude con tarjetas de crédito; aproximadamente el 2% de las transacciones son fraudulentas. La prioridad del negocio es capturar tantas transacciones fraudulentas como sea posible. ¿Qué métricas de evaluación debería optimizar el científico de datos? (Elija dos.)

La prioridad es capturar tantas transacciones fraudulentas como sea posible, lo que significa que el costo de un falso negativo (no detectar fraude) es alto. La tasa de verdaderos positivos (recall) mide la proporción de positivos reales que se identifican correctamente, lo cual es crucial para este objetivo. El F1 score es la media armónica de la precisión y el recall. Es útil cuando se busca un equilibrio entre precisión y recall, especialmente en conjuntos de datos desequilibrados como este (solo el 2% de fraude). La especificidad y la tasa de falsos positivos son importantes para minimizar las alertas de fraude incorrectas, pero no son la prioridad principal en este escenario. La exactitud (accuracy) puede ser engañosa en conjuntos de datos desequilibrados, ya que un modelo que clasifica todo como no fraudulento aún tendría una alta exactitud.