Firma szkoli klasyfikator do wykrywania oszustw związanych z kartami kredytowymi; około 2% transakcji to oszustwa. Priorytetem biznesowym jest wychwycenie jak największej liczby oszukańczych transakcji. Które metryki oceny powinien optymalizować analityk danych? (Wybierz dwie.)

W tym scenariuszu, gdzie oszustwa stanowią tylko 2% transakcji (klasa mniejszościowa), a celem jest wychwycenie jak największej liczby oszustw, kluczowe są metryki skupiające się na klasie pozytywnej (oszustwa). True Positive Rate (Recall) mierzy odsetek faktycznych oszustw, które zostały poprawnie zidentyfikowane, co jest bezpośrednio zgodne z celem biznesowym. Wynik F1 to średnia harmoniczna precyzji i kompletności, która jest szczególnie przydatna w przypadku niezbalansowanych zbiorów danych, ponieważ równoważy potrzebę identyfikacji oszustw z minimalizacją fałszywych alarmów. Accuracy (dokładność) byłaby myląca, ponieważ model mógłby osiągnąć wysoką dokładność, klasyfikując wszystko jako nieoszukańcze, ale pominąłby większość oszustw. Specificity (swoistość) i False Positive Rate (odsetek fałszywie pozytywnych) skupiają się na poprawnej identyfikacji transakcji nieoszukańczych, co nie jest głównym priorytetem w tym przypadku.