Een ML-engineer kiest een model voor productie waarbij fout-negatieve voorspellingen veel kostbaarder zijn dan fout-positieve. Welke metriek moet de engineer het meest prioriteren bij het selecteren van het model?

In scenario's waar fout-negatieven (het missen van een positief geval) veel kostbaarder zijn dan fout-positieven (onterecht een positief geval voorspellen), is een hoge recall (ook wel gevoeligheid genoemd) de meest kritieke metriek. Recall meet het percentage van alle daadwerkelijke positieve gevallen dat correct is geïdentificeerd door het model. Een hoge recall betekent dat het model er goed in slaagt om de relevante gevallen te vinden, waardoor het aantal kostbare fout-negatieven wordt geminimaliseerd. Lage precisie en lage recall zijn ongewenst. Hoge precisie is belangrijk wanneer fout-positieven duur zijn, maar in dit geval ligt de focus op het vermijden van fout-negatieven.