Bir şirket, kredi kartı dolandırıcılığını tespit etmek için bir sınıflandırıcı eğitiyor; işlemlerin yaklaşık %2'si dolandırıcı nitelikte. İş önceliği, mümkün olduğunca çok sayıda dolandırıcılık işlemini yakalamaktır. Veri bilimci hangi değerlendirme metriklerini optimize etmelidir? (İki tane seçin.)

Şirketin önceliği mümkün olduğunca çok sayıda dolandırıcılık işlemini yakalamak olduğundan, pozitif sınıf (dolandırıcılık) için doğru bir şekilde tahmin edilen pozitiflerin oranı olan True Positive Rate (Recall) optimize edilmelidir. Recall, gerçek dolandırıcılık işlemlerinin ne kadarının model tarafından tespit edildiğini gösterir. Ancak, yalnızca recall'ı optimize etmek, modelin çok fazla işlemi dolandırıcılık olarak işaretlemesine (yüksek False Positive) yol açabilir. Bu nedenle, F1 Score da optimize edilmelidir. F1 Score, hassasiyet (precision) ve hatırlamanın (recall) harmonik ortalamasıdır ve her ikisi arasında bir denge sağlar. Bu, hem dolandırıcılık işlemlerini yüksek oranda yakalayan hem de yanlış alarmları makul bir seviyede tutan bir model elde etmeye yardımcı olur. Specificity ve False Positive Rate, negatif sınıf (dolandırıcılık olmayan) performansı ile daha çok ilgilidir. Accuracy, dengesiz veri kümelerinde yanıltıcı olabilir çünkü modelin çoğunluk sınıfını doğru tahmin etmesiyle yüksek görünebilir.