Un ingegnere ML sta scegliendo un modello per la produzione in cui le previsioni di falsi negativi sono molto più costose dei falsi positivi. Quale metrica dovrebbe prioritizzare maggiormente l'ingegnere nella selezione del modello?

In scenari in cui i falsi negativi (FN) sono molto più costosi dei falsi positivi (FP), come nel rilevamento di malattie gravi o frodi, è fondamentale minimizzare il numero di FN. Il recall (sensibilità) misura la proporzione di veri positivi correttamente identificati dal modello rispetto a tutti i positivi reali (TP / (TP + FN)). Un alto recall indica che il modello è bravo a catturare la maggior parte dei casi positivi, riducendo i falsi negativi. La precisione, invece, si concentra sui falsi positivi (TP / (TP + FP)), che in questo caso sono meno critici. Pertanto, l'ingegnere dovrebbe prioritizzare un alto recall per garantire che i casi positivi importanti non vengano persi.