医療診断モデルは、健康な患者が病気の患者をはるかに上回る不均衡なデータセットでトレーニングされました。偽陽性（健康な患者を病気と誤って分類すること）は会社のコストを増加させます。この懸念を考慮すると、どのメトリックがモデルのパフォーマンスを最もよく反映していますか？

正解はPrecision（適合率）です。このシナリオでは、健康な患者を病気と誤って分類する偽陽性（False Positive）が会社のコストを増加させるため、これを最小限に抑えることが重要です。Precisionは、モデルが病気と予測したもののうち、実際に病気であった割合を示します。高いPrecisionは、偽陽性が少ないことを意味し、コスト増加のリスクを低減します。 Recall（再現率）は、実際の病気の患者をどれだけ正確に特定できたかを示すため、偽陰性（False Negative）を減らす場合に重要ですが、この問題では偽陽性が焦点です。F1スコアはPrecisionとRecallの調和平均であり、両方のバランスを取りますが、ここでは偽陽性のコストが強調されているため、Precisionがより直接的に関連します。Accuracy（正解率）はデータセットが不均衡な場合、多数派クラスの予測に偏りがちで、モデルの真の性能を反映しない可能性があります。