W środowisku wysokiego ryzyka dla klasyfikatora binarnego, pominięcie przypadku pozytywnego (fałszywie negatywne) nie wiąże się z żadnymi kosztami, ale fałszywie pozytywne jest niezwykle kosztowne. Która metryka wydajności powinna być głównym celem podczas optymalizacji tego modelu?

Precyzja (Precision) jest kluczowa, gdy koszt fałszywie pozytywnych wyników jest bardzo wysoki, a fałszywie negatywne nie niosą ze sobą kosztów. Precyzja mierzy odsetek poprawnie zidentyfikowanych przypadków pozytywnych spośród wszystkich przypadków, które model sklasyfikował jako pozytywne (Prawdziwie Pozytywne / (Prawdziwie Pozytywne + Fałszywie Pozytywne)). Maksymalizacja precyzji minimalizuje liczbę fałszywych alarmów. Dokładność (Accuracy) mierzy ogólną poprawność, ale nie rozróżnia typów błędów. Czułość (Recall) jest ważna, gdy koszt fałszywie negatywnych jest wysoki, co jest odwrotnością sytuacji opisanej w pytaniu. Wynik F1 to średnia harmoniczna precyzji i czułości, co czyni go mniej odpowiednim, gdy tylko jeden typ błędu jest krytyczny.