Un'azienda vuole rilevare il maggior numero possibile di transazioni fraudolente con il suo modello di ML. Quale metrica di valutazione dovrebbe essere prioritaria per massimizzare i casi di frode identificati?

La risposta corretta è Recall (Richiamo). Il Recall misura la proporzione di transazioni fraudolente effettive che sono state correttamente identificate dal modello (veri positivi / (veri positivi + falsi negativi)). Poiché l'obiettivo è rilevare il maggior numero possibile di transazioni fraudolente, anche a costo di classificare erroneamente alcune transazioni legittime come fraudolente (falsi positivi), il Recall è la metrica più appropriata da massimizzare. L'F1 score è la media armonica di Precision e Recall, utile quando si cerca un equilibrio tra i due, ma non ottimale per massimizzare solo i casi di frode identificati. L'AUC misura la capacità del modello di distinguere tra classi, ma non si concentra specificamente sulla cattura di tutti i casi positivi. La Precision misura la proporzione di transazioni classificate come fraudolente che sono effettivamente fraudolente (veri positivi / (veri positivi + falsi positivi)), il che non è l'obiettivo primario in questo scenario.