一個醫療診斷模型是在一個不平衡的資料集上訓練的，其中健康患者的數量遠多於患病患者。誤報（將健康患者錯誤地標記為患病）會增加公司成本。考量到這個問題，哪個指標最能反映模型效能？

在醫療診斷中，誤報（將健康患者錯誤地診斷為患病）會導致不必要的進一步檢查和成本增加。Precision（精確率）衡量的是在所有模型預測為正例（患病）的樣本中，有多少比例是真正的正例。高精確率表示模型在預測患病時更可靠，能有效減少誤報，符合降低公司成本的需求。 Recall（召回率）衡量的是所有實際為正例的樣本中，有多少比例被模型正確識別。雖然召回率也很重要（避免漏診），但在本情境中，誤報的成本更高。F1 score 是精確率和召回率的調和平均，它在兩者之間取得平衡，但如果誤報的成本特別高，單獨關注精確率可能更合適。Accuracy（準確率）在資料集不平衡時具有誤導性，因為模型可以透過大量預測為多數類別（健康患者）來獲得高準確率，但對少數類別（患病患者）的表現可能很差。