Een bedrijf traint een classifier om creditcardfraude te detecteren; ongeveer 2% van de transacties is frauduleus. De bedrijfsprioriteit is om zoveel mogelijk frauduleuze transacties te detecteren. Welke evaluatiestatistieken moet de data scientist optimaliseren? (Kies twee.)

De prioriteit is het detecteren van zoveel mogelijk frauduleuze transacties, wat betekent dat we de True Positive Rate (recall) willen maximaliseren. Recall meet het percentage van alle positieve gevallen dat correct is geïdentificeerd. Aangezien de dataset sterk ongebalanceerd is (slechts 2% fraude), is nauwkeurigheid (accuracy) misleidend; een model dat altijd 'niet-fraude' voorspelt, zou 98% nauwkeurig zijn maar geen fraude detecteren. De F1-score is een harmonisch gemiddelde van precisie en recall, en is nuttig bij ongebalanceerde datasets omdat het zowel vals-positieven als vals-negatieven in overweging neemt, wat zorgt voor een evenwichtige evaluatie van het model. Specificiteit (true negative rate) en false positive rate zijn minder relevant als de primaire focus ligt op het vinden van alle frauduleuze transacties, hoewel ze wel belangrijk zijn voor de algehele modelprestatie.