Bir ML mühendisi, yanlış negatif tahminlerin yanlış pozitiflerden çok daha maliyetli olduğu bir üretim için model seçiyor. Mühendis, modeli seçerken en çok hangi metriğe öncelik vermelidir?

Yanlış negatiflerin (gerçek pozitiflerin model tarafından negatif olarak sınıflandırılması) maliyeti, yanlış pozitiflerden (gerçek negatiflerin model tarafından pozitif olarak sınıflandırılması) daha yüksek olduğunda, modelin mümkün olduğunca az gerçek pozitif durumu kaçırması istenir. Recall (duyarlılık), tüm gerçek pozitifler içinde modelin doğru bir şekilde pozitif olarak tanımladığı örneklerin oranını ölçer. Yüksek recall, modelin gerçek pozitifleri kaçırma olasılığının düşük olduğu anlamına gelir, bu da yanlış negatiflerin maliyetli olduğu senaryolarda kritik öneme sahiptir. Düşük precision, modelin birçok yanlış pozitif üretmesine neden olurken, yüksek precision, modelin pozitif olarak tahmin ettiklerinin çoğunun gerçekten pozitif olduğunu gösterir ancak gerçek pozitifleri kaçırabilir. Düşük recall ise tam tersine, modelin birçok gerçek pozitif durumu kaçırdığını gösterir.