[eduexe-intent]course_content[/eduexe-intent]
Tak, Twoje rozumowanie jest bardzo trafne. W przypadku rzadkich chorób, gdzie konsekwencje niezdiagnozowania chorej osoby (fałszywie negatywne przypadki) są bardzo poważne, często opłaca się stworzyć model, który ma na papierze niższą ogólną dokładność (accuracy), ale jest "przewrażliwiony", czyli ma wysoką czułość (recall).
Wysoka czułość oznacza, że model wykrywa duży procent wszystkich rzeczywistych przypadków choroby, nawet jeśli oznacza to błędne zaklasyfikowanie kilku zdrowych osób jako chorych (fałszywie pozytywne przypadki). W medycynie, zwłaszcza w przesiewowych badaniach, lepiej jest mieć więcej fałszywie pozytywnych wyników (które można zweryfikować dodatkowymi badaniami) niż przegapić rzeczywiste przypadki choroby. Dokładność (accuracy) może być myląca w takich sytuacjach, ponieważ model, który zawsze klasyfikuje pacjentów jako zdrowych, osiągnie wysoką dokładność w populacji, gdzie choroba jest rzadka, ale będzie bezużyteczny w wykrywaniu chorych. [eduexe-source]22:6[/eduexe-source][eduexe-source]24:3[/eduexe-source][eduexe-source]26:4[/eduexe-source]