Ответ
Полнота (recall) становится критически важной, а точностью (precision) можно в разумных пределах пожертвовать в задачах, где цена пропущенного положительного случая (false negative) значительно превышает цену ложной тревоги (false positive).
Ключевые примеры:
- Медицинская диагностика (скрининг на заболевание): Пропуск больного пациента (FN) имеет катастрофические последствия, в то время как ложноположительный результат (FP) ведет лишь к дополнительным, более точным проверкам.
- Поиск мошеннических операций: Пропуск мошеннической транзакции (FN) означает прямые финансовые потери для банка или клиента. Ложное срабатывание (FP) обычно приводит лишь к временной блокировке карты и звонку службы безопасности для верификации, что является приемлемым компромиссом.
- Поисково-спасательные операции: Главная цель — найти всех пострадавших (максимизировать recall). Ложные цели (FP) отнимают время и ресурсы, но это предпочтительнее, чем оставить человека без помощи.
Практический подход: В таких сценариях мы сознательно снижаем порог классификации модели, чтобы она стала более «чувствительной» и предсказывала положительный класс чаще. Это увеличивает recall за счет снижения precision. Окончательный порог выбирается на основе анализа кривой Precision-Recall и бизнес-требований.