信用卡詐欺偵測模型必須盡可能找出所有詐欺交易（陽性）；大約只有 2% 的交易是詐欺。資料科學家應該優化哪兩個評估指標，以優先捕捉陽性？

在此情境中，目標是最大化詐欺交易（陽性）的偵測，即使這可能導致一些誤報。真實陽性率 (True Positive Rate, TPR)，也稱為召回率 (Recall)，衡量的是模型正確識別所有實際陽性樣本的比例。高 TPR 表示模型能有效捕捉詐欺交易。由於詐欺交易只佔總交易量的 2%，資料集高度不平衡，因此精確度-召回率曲線下面積 (Area Under the Precision-Recall Curve, AUPRC) 是比 ROC 曲線下面積 (AUROC) 更合適的評估指標。AUPRC 專注於陽性類別的性能，在高不平衡資料集中能提供更具資訊量的洞察。特異度 (Specificity) 和假陽性率 (False Positive Rate) 則關注模型正確識別陰性樣本的能力，這與本案例中優先捕捉陽性的目標不符。準確度 (Accuracy) 在高度不平衡的資料集中容易產生誤導，因為即使模型表現不佳，也可能因為正確分類了大量的陰性樣本而獲得高準確度。