Un ingénieur ML choisit un modèle pour la production où les prédictions de faux négatifs sont beaucoup plus coûteuses que les faux positifs. Quelle métrique l'ingénieur devrait-il prioriser le plus lors de la sélection du modèle ?

Dans ce scénario, les faux négatifs (FN) sont très coûteux. Un faux négatif se produit lorsque le modèle prédit un résultat négatif alors qu'il est en réalité positif. Le rappel (recall), également appelé sensibilité, mesure la proportion de vrais positifs que le modèle a correctement identifiés parmi tous les positifs réels (TP / (TP + FN)). Un rappel élevé signifie que le modèle minimise les faux négatifs. Par conséquent, pour réduire les coûts associés aux faux négatifs, l'ingénieur doit prioriser un modèle avec un rappel élevé. La précision (precision) mesure la proportion de vrais positifs parmi toutes les prédictions positives (TP / (TP + FP)). Une faible précision ou un faible rappel ne seraient pas souhaitables.