Когда важен recall

Recall критичен в задачах, где пропуск положительного класса (False Negative) дорого стоит. Например:

• Медицинская диагностика (пропуск болезни)
• Обнаружение мошенничества (незамеченная транзакция)
• Безопасность (пропуск угрозы)

Пример с кодом:

from sklearn.metrics import recall_score
y_true = [1, 0, 1, 1]  # 1 - болезнь есть
y_pred = [0, 0, 1, 1]  # модель пропустила первый случай
print(recall_score(y_true, y_pred))  # 0.666 (2 из 3)

Как улучшить recall:

• Уменьшить порог классификации
• Использовать oversampling для minority-класса
• Попробовать модели, чувствительные к дисбалансу (например, RandomForest с class_weight='balanced')