Firma chce wykryć jak najwięcej oszukańczych transakcji za pomocą swojego modelu ML. Która metryka oceny powinna być priorytetowa, aby zmaksymalizować liczbę zidentyfikowanych przypadków oszustw?

Czułość (Recall) jest priorytetową metryką, gdy celem jest wykrycie jak największej liczby pozytywnych przypadków (w tym kontekście: oszukańczych transakcji). Czułość mierzy odsetek wszystkich rzeczywistych pozytywnych przypadków, które zostały poprawnie zidentyfikowane przez model. Wysoka czułość oznacza, że model ma niską liczbę fałszywych negatywów, czyli minimalizuje ryzyko przeoczenia oszustwa. Wynik F1 jest średnią harmoniczną precyzji i czułości, co sprawia, że jest użyteczny, gdy zależy nam na równowadze między tymi dwiema metrykami, a nie na maksymalizacji jednej z nich. Pole pod krzywą ROC (AUC) ocenia ogólną zdolność modelu do rozróżniania klas, ale nie skupia się bezpośrednio na maksymalizacji wykrycia pozytywnych przypadków. Precyzja (Precision) mierzy odsetek poprawnie zidentyfikowanych pozytywnych przypadków spośród wszystkich przypadków sklasyfikowanych jako pozytywne, co jest ważne, gdy koszt fałszywych pozytywów jest wysoki, ale nie jest głównym celem w tym scenariuszu.