İkili sınıflandırıcı için yüksek riskli bir ortamda, pozitif bir durumu gözden kaçırmanın (false negative) hiçbir maliyeti yokken, false positive üretmek son derece maliyetlidir. Bu modeli optimize ederken birincil odak noktası hangi performans metriği olmalıdır?

Bu senaryoda, yanlış pozitifler (false positives) son derece maliyetli olduğundan, modelin pozitif olarak tahmin ettiği durumların gerçekten pozitif olma olasılığını en üst düzeye çıkarmak önemlidir. Precision (Kesinlik), doğru pozitiflerin (true positives) tüm pozitif tahminlere (doğru pozitifler + yanlış pozitifler) oranını ölçer. Yüksek Precision, modelin pozitif olarak işaretlediği sonuçların büyük çoğunluğunun doğru olduğu anlamına gelir ve bu da maliyetli yanlış pozitifleri en aza indirmek için kritik öneme sahiptir. Recall (Duyarlılık), pozitif durumları gözden kaçırmanın (false negative) maliyeti olmadığı belirtildiği için birincil odak noktası değildir. Accuracy, tüm doğru tahminlerin oranını verir ancak yanlış pozitiflerin özel maliyetini yeterince yansıtmaz. F1 skoru ise Precision ve Recall'un harmonik ortalamasıdır; bu senaryoda Precision'a daha fazla odaklanmak gerektiğinden tek başına yeterli değildir.