某公司希望透過其機器學習模型，盡可能多地偵測出詐欺性交易。為了最大化偵測到的詐欺案例，應優先考慮哪種評估指標？

在詐欺偵測情境中，未能偵測到詐欺交易（假陰性）的成本通常遠高於將合法交易誤判為詐欺（假陽性）的成本。召回率（Recall），又稱靈敏度（Sensitivity），衡量的是所有實際為詐欺的交易中，模型正確識別出的比例。最大化召回率意味著模型會盡可能多地找出真正的詐欺交易，這符合題目中「盡可能多地偵測出詐欺性交易」的需求。 F1 score 是精確率和召回率的調和平均值，在精確率和召回率都很重要時適用，但在此情境下，召回率更為關鍵。AUC 衡量模型區分正負類別的整體能力，但它不直接優化單一類別的偵測率。精確率（Precision）衡量的是模型預測為詐欺的交易中，實際為詐欺的比例，如果優先考慮精確率，可能會導致許多實際的詐欺交易被忽略。