某公司訓練一個分類器來偵測信用卡詐欺；大約有 2% 的交易是詐欺。業務上的優先考量是盡可能捕捉所有詐欺交易。資料科學家應該優化哪些評估指標？(選擇兩項)

由於業務優先考量是「盡可能捕捉所有詐欺交易」，這表示我們需要最大化模型正確識別詐欺交易的能力，也就是提高「真陽性率 (True Positive Rate, TPR)」，也稱為「召回率 (Recall)」。召回率衡量的是所有實際詐欺交易中，模型成功偵測到的比例。 單獨優化召回率可能會導致過多的誤報 (將正常交易誤判為詐欺)，這會增加審查成本。因此，我們還需要一個能平衡召回率和精確度 (Precision) 的指標。「F1 分數 (F1 Score)」是精確度和召回率的調和平均數，它在兩者之間取得平衡，特別適用於類別不平衡的資料集 (例如詐欺交易只佔 2%)。 「特異度 (Specificity)」衡量模型正確識別非詐欺交易的能力，但這不是主要優先考量。「錯誤陽性率 (False Positive Rate)」與特異度相反，我們希望它低，但不是直接優化的目標。「準確度 (Accuracy)」在類別不平衡的資料集中容易產生誤導，因為即使模型將所有交易都預測為非詐欺，準確度仍可能很高 (98%)，但卻無法捕捉任何詐欺。