Un modello di diagnostica medica è stato addestrato su un dataset sbilanciato in cui i pazienti sani superano di gran lunga i pazienti malati. I falsi positivi (etichettare erroneamente i pazienti sani come malati) aumentano i costi aziendali. Quale metrica riflette meglio le prestazioni del modello data questa preoccupazione?

La Precisione (Precision) è la metrica più appropriata in questo scenario. Misura la proporzione di veri positivi tra tutti i risultati positivi previsti dal modello (TP / (TP + FP)). Poiché i falsi positivi (FP) aumentano i costi aziendali, massimizzare la precisione significa ridurre al minimo questi errori, garantendo che quando il modello predice una malattia, sia molto probabile che sia corretta. Il Recall (Richiamo) misurerebbe la capacità del modello di trovare tutti i casi positivi reali (TP / (TP + FN)), ma non penalizzerebbe adeguatamente i falsi positivi. L'Accuracy (Accuratezza) potrebbe essere fuorviante in dataset sbilanciati, poiché un modello che classifica tutti come "sani" potrebbe avere un'alta accuratezza ma zero utilità. L'F1 score è una media armonica di precisione e recall, utile quando entrambi sono importanti, ma qui la priorità è chiaramente sulla riduzione dei falsi positivi.