Что более критично в классификации: больше ложных срабатываний или больше ложноотрицательных результатов

Зависит от контекста задачи. В медицине (например, диагностика рака) ложноотрицательные (FN) опаснее - пропуск болезни. В спам-фильтрах ложные срабатывания (FP) хуже - важные письма в спаме.

Пример с sklearn:

from sklearn.metrics import precision_score, recall_score

# Модель с упором на минимизацию FN (высокий recall)
print(f"Recall: {recall_score(y_true, y_pred)}")  # TP / (TP + FN)

# Модель с упором на минимизацию FP (высокая precision) 
print(f"Precision: {precision_score(y_true, y_pred)}")  # TP / (TP + FP)

Выбор метрики (Precision/Recall/F1) должен отражать бизнес-требования. Часто используют ROC-AUC как компромисс.