В высокорисковой среде для бинарного классификатора пропуск положительного случая (ложноотрицательный результат) не имеет стоимости, но ложноположительный результат чрезвычайно дорог. Какая метрика производительности должна быть основным фокусом при оптимизации этой модели?

В данной высокорисковой среде ложноположительные результаты (предсказание положительного класса, когда на самом деле это отрицательный) чрезвычайно дороги. Precision (точность) измеряет долю истинно положительных результатов среди всех предсказанных положительных результатов. Оптимизация Precision означает минимизацию ложноположительных результатов, что соответствует условиям задачи. Accuracy (правильность) не подходит, так как она учитывает как ложноположительные, так и ложноотрицательные результаты, не дифференцируя их стоимость. Recall (полнота) фокусируется на минимизации ложноотрицательных результатов, что, согласно условиям, не является проблемой. F1-score является гармоническим средним Precision и Recall, и хотя она полезна, в данном случае, когда стоимость ложноположительных результатов доминирует, Precision является более прямой метрикой для оптимизации.