Inżynier ML wybiera model do środowiska produkcyjnego, w którym fałszywie negatywne przewidywania są znacznie kosztowniejsze niż fałszywie pozytywne. Którą metrykę inżynier powinien priorytetowo traktować przy wyborze modelu?

Wysokie pokrycie (recall) jest priorytetem, gdy fałszywie negatywne przewidywania są bardzo kosztowne. Pokrycie mierzy zdolność modelu do znajdowania wszystkich pozytywnych przypadków. Niskie pokrycie oznaczałoby, że model pomija wiele rzeczywistych pozytywów, generując kosztowne fałszywe negatywy. Wysoka precyzja jest ważna, gdy fałszywie pozytywne przewidywania są kosztowne, ponieważ mierzy odsetek poprawnie zidentyfikowanych pozytywów spośród wszystkich przewidzianych pozytywów. Niska precyzja lub niskie pokrycie są niepożądane w większości scenariuszy produkcyjnych.