Что важнее precision или recall для определения порога для автоотклонения объявления

Выбор между precision и recall зависит от бизнес-контекста.

• Precision важнее, если ложные срабатывания (FP) дорого обходятся (например, несправедливые блокировки объявлений).
• Recall важнее, если пропуск мошенничества (FN) критичен (например, финансовые потери из-за пропущенных мошенников).

Пример с sklearn:

from sklearn.metrics import precision_recall_curve

# y_true — истинные метки, y_scores — вероятности модели
precision, recall, thresholds = precision_recall_curve(y_true, y_scores)

# Выбираем порог, например, по F1-score
f1_scores = 2 * (precision * recall) / (precision + recall)
best_threshold = thresholds[np.argmax(f1_scores)]

Часто используют F1-score (гармоническое среднее) или PR-кривую для баланса. В реальных задачах может потребоваться ручная настройка порога под конкретные KPI.