Es dependiente de la aplicación.
Supongamos que tiene un modelo que realiza el diagnóstico de la enfermedad: ¿un paciente determinado tiene la enfermedad X o no? Es mejor tener falsos positivos aquí. Está bien afirmar falsamente que un paciente tiene una enfermedad y luego darse cuenta de que la decisión fue incorrecta, tal vez después de más pruebas / algunos medicamentos preliminares. Sin embargo, un falso negativo aquí significa que alguien que tenía una enfermedad no recibió el tratamiento médico adecuado, lo que podría ser fatal.
Por otro lado, considere un modelo que resume los currículums para una entrevista de trabajo en una empresa. Suponiendo que obtenga candidatos más prometedores que el número de puestos que desea llenar, un falso negativo equivale a rechazar a un buen candidato, lo cual no es un gran problema, dado que obtendrá otros candidatos similares. Sin embargo, un falso positivo significa que preseleccionas a alguien que no es lo suficientemente bueno, lo que desperdiciará los recursos de la compañía en el proceso de la entrevista.
- Como posible pasante de Analista de datos, ¿cómo respondo al análisis de datos más desafiante que he hecho hasta ahora?
- ¿Aprender SQL es bueno para carreras potenciales en análisis financiero y de datos?
- ¿Cuál es mejor, MSBI o Big Data?
- ¿Cómo logra Coffee Meets Bagel tener éxito sin ningún científico de datos?
- ¿Cuál es el futuro de Big Data y Python?
