Un'azienda addestra un classificatore per rilevare frodi con carta di credito; circa il 2% delle transazioni sono fraudolente. La priorità aziendale è catturare il maggior numero possibile di transazioni fraudolente. Quali metriche di valutazione dovrebbe ottimizzare il data scientist? (Scegliere due.)

In un problema di rilevamento frodi con un dataset sbilanciato (solo il 2% delle transazioni sono fraudolente) e l'obiettivo di catturare il maggior numero possibile di frodi, il tasso di veri positivi (recall) è cruciale. La recall misura la percentuale di frodi effettive che il modello ha correttamente identificato. Ottimizzare la recall significa ridurre i falsi negativi (frodi non rilevate). Il punteggio F1 è un'altra metrica importante perché è la media armonica di precisione e recall. È particolarmente utile con dataset sbilanciati perché penalizza i modelli che hanno un buon valore di una metrica ma un valore scarso dell'altra, fornendo un equilibrio tra l'identificazione delle frodi e la minimizzazione dei falsi allarmi. L'accuratezza non è adatta perché, con un dataset sbilanciato, un modello che classifica tutto come non-frode avrebbe un'accuratezza del 98%, ma sarebbe inutile per rilevare le frodi. La specificità e il tasso di falsi positivi sono meno prioritari in questo scenario, poiché l'obiettivo principale è non perdere frodi, anche a costo di qualche falso allarme.