Una empresa quiere detectar la mayor cantidad posible de transacciones fraudulentas con su modelo de ML. ¿Qué métrica de evaluación debería priorizarse para maximizar los casos de fraude identificados?

Recall (sensibilidad) es la métrica más adecuada cuando el objetivo es detectar la mayor cantidad posible de casos positivos verdaderos, como transacciones fraudulentas. Se calcula como el número de verdaderos positivos dividido por la suma de verdaderos positivos y falsos negativos. Priorizar el recall significa que el modelo se optimiza para minimizar los falsos negativos (fraudes no detectados), incluso si esto resulta en un aumento de falsos positivos (transacciones legítimas marcadas como fraude). La Puntuación F1 es la media armónica de precisión y recall, útil cuando se busca un equilibrio entre ambas. AUC mide la capacidad del modelo para distinguir entre clases, pero no se enfoca específicamente en maximizar la detección de la clase positiva. La Precisión mide la proporción de predicciones positivas correctas, lo que es importante para minimizar los falsos positivos, pero no para maximizar la detección de todos los casos de fraude.