In een risicovolle omgeving voor een binaire classificatie heeft het missen van een positief geval (false negative) geen kosten, maar is een false positive extreem kostbaar. Welke prestatiestatistiek moet de primaire focus zijn bij het optimaliseren van dit model?

Precisie is de juiste prestatiestatistiek om te optimaliseren wanneer false positives extreem kostbaar zijn. Precisie meet het aandeel van correct geïdentificeerde positieve gevallen (ware positieven) van alle gevallen die als positief zijn geclassificeerd (ware positieven + valse positieven). Een hoge precisie betekent dat wanneer het model een positief resultaat voorspelt, de kans groot is dat dit correct is, waardoor dure valse positieven worden geminimaliseerd. Nauwkeurigheid (Accuracy) is minder geschikt omdat het zowel ware positieven als ware negatieven meet, en niet specifiek de kosten van valse positieven aanpakt. Recall (Sensitiviteit) is gericht op het minimaliseren van valse negatieven, wat in dit scenario geen prioriteit heeft. De F1-score is het harmonische gemiddelde van precisie en recall, en zou niet de primaire focus moeten zijn wanneer één type fout (valse positieven) zo dominant is in kosten.