한 회사에서 신용카드 사기를 탐지하기 위해 분류기를 훈련시키고 있습니다. 거래의 약 2%가 사기입니다. 비즈니스 우선순위는 가능한 한 많은 사기 거래를 포착하는 것입니다. 데이터 과학자는 어떤 평가 지표를 최적화해야 할까요? (두 가지 선택)

이 시나리오에서 사기 거래(소수 클래스)를 최대한 많이 포착하는 것이 비즈니스 목표이므로, 모델이 실제 사기를 놓치지 않는 것이 중요합니다. 재현율(Recall)은 실제 양성(사기) 중 모델이 올바르게 예측한 비율을 측정하므로, 이 목표에 직접적으로 부합합니다. F1 점수는 정밀도(Precision)와 재현율의 조화 평균으로, 불균형 데이터셋에서 모델의 전반적인 성능을 평가하는 데 유용합니다. 특히 재현율이 중요한 상황에서 F1 점수를 최적화하면 재현율을 높이면서도 너무 많은 오탐을 방지하는 균형을 찾을 수 있습니다. 정확도(Accuracy)는 클래스 불균형이 심할 때 오해의 소지가 있으며, 특이도(Specificity)와 오탐율(False positive rate)은 주로 비사기 거래를 정확하게 식별하는 데 중점을 둡니다.