In un ambiente ad alto rischio per un classificatore binario, mancare un caso positivo (falso negativo) non ha costi, ma un falso positivo è estremamente costoso. Quale metrica di performance dovrebbe essere l'obiettivo principale nell'ottimizzazione di questo modello?

In questo scenario, un falso positivo (prevedere positivo quando è negativo) è estremamente costoso. La Precisione (Precision) misura la proporzione di veri positivi tra tutti i casi classificati come positivi. Ottimizzare la Precisione significa ridurre al minimo i falsi positivi, che è esattamente l'obiettivo desiderato. L'Accuracy (Accuratezza) non è sufficiente perché non distingue tra i tipi di errori. Il Recall (Richiamo) si concentra sulla minimizzazione dei falsi negativi, che in questo caso non sono costosi. L'F1 Score è una media armonica di Precisione e Recall, e non sarebbe l'ideale perché darebbe peso anche al Recall, che non è la priorità.