クレジットカード詐欺検出モデルは、可能な限り多くの不正取引（陽性）を検出する必要があります。取引の約2%のみが不正です。データサイエンティストは、陽性の検出を優先するために、どの2つの評価指標を最適化すべきですか？

クレジットカード詐欺検出のような不均衡なデータセットでは、不正取引（陽性）の検出を最大化することが重要です。真陽性率（リコールまたは感度とも呼ばれる）は、実際の不正取引のうちモデルが正しく不正と識別した割合を示すため、この目標に直接貢献します。適合率-再現率曲線下面積（AUPRC）は、特に陽性クラスが少数派である場合に、モデルの性能を包括的に評価するのに適しています。これは、さまざまなしきい値における適合率と再現率のトレードオフを示し、高いAUPRCは、モデルが不正取引を効果的に特定できることを意味します。 特異度と偽陽性率は、主に陰性クラスの識別性能に関連するため、不正取引の検出を優先する場合には最適ではありません。正解率は、不均衡なデータセットでは誤解を招く可能性があります。なぜなら、モデルがすべての取引を「不正ではない」と分類するだけでも高い正解率を達成できてしまうからです。