이진 분류기의 고위험 환경에서 양성 사례를 놓치는 것(오탐)은 비용이 들지 않지만, 오탐(false positive)은 극도로 비용이 많이 듭니다. 이 모델을 최적화할 때 어떤 성능 지표에 주로 초점을 맞춰야 할까요?

이 시나리오에서는 오탐(false positive)이 극도로 비용이 많이 든다고 명시되어 있습니다. 오탐은 모델이 음성 샘플을 양성으로 잘못 분류하는 경우를 의미합니다. 정밀도(Precision)는 모델이 양성으로 예측한 것 중에서 실제로 양성인 비율을 측정합니다 (True Positives / (True Positives + False Positives)). 따라서 정밀도를 최대화하면 오탐의 수를 최소화하여 비용이 많이 드는 실수를 줄일 수 있습니다. 정확도(Accuracy)는 전체 예측 중 올바른 예측의 비율로, 오탐의 비용이 특정하게 높을 때 적절하지 않을 수 있습니다. 재현율(Recall)은 실제 양성 중 모델이 올바르게 예측한 비율로, 양성 사례를 놓치는 것(false negative)을 줄이는 데 중점을 둡니다. F1 점수는 정밀도와 재현율의 조화 평균으로, 두 지표의 균형이 중요할 때 사용되지만, 이 경우에는 오탐 감소가 최우선이므로 정밀도에 집중하는 것이 더 적절합니다.