在二元分類器的高風險環境中，錯過陽性案例（false negative）沒有成本，但產生 false positive 的成本極高。在優化此模型時，應將哪個效能指標作為主要關注點？

在這種高風險環境中，產生 false positive 的成本極高，而錯過陽性案例（false negative）沒有成本。這表示我們需要最大程度地減少模型將負面案例錯誤分類為陽性案例的次數。Precision（精確率）正是衡量這種能力的指標，它計算了所有被模型預測為陽性的案例中，真正為陽性的比例。因此，優化 Precision 可以確保模型在預測陽性時更加謹慎和準確，從而降低高成本的 false positive。 Accuracy（準確率）衡量的是所有預測正確的比例，它沒有區分 false positive 和 false negative 的成本。Recall（召回率）衡量的是所有實際陽性案例中被模型正確識別的比例，優化 Recall 會增加 false positive 的風險。F1 score 是 Precision 和 Recall 的調和平均值，它在兩者之間取得平衡，不適合這種單方面成本極高的情況。