Precisión y recuperación
La precisión y la recuperación son dos métricas complementarias para evaluar clasificadores, especialmente cuando las clases están desequilibradas.
Descripción general
Together they reveal what plain accuracy hides — how often a model's positive predictions are right, and how many real positives it actually catches.
Buceo profundo
Cuando un modelo marca elementos como positivos, dos preguntas importan. La precisión pregunta: de todo lo que señalamos, ¿cuánto fue realmente positivo? Equivale a los verdaderos positivos divididos por todos los positivos previstos, lo que penaliza las falsas alarmas. El recuerdo (sensibilidad) pregunta: de todos los verdaderos aspectos positivos que existen, ¿cuántos captamos? Equivale a los verdaderos positivos divididos por todos los positivos reales, lo que penaliza los errores. Por lo general, esto se compensa: al reducir el umbral de decisión se detectan más aspectos positivos (mayor recuerdo), pero se detecta más basura (menor precisión), y viceversa. Cuál priorizar depende de los costos: un filtro de spam favorece la precisión (no deseche el correo real), mientras que una prueba de cáncer favorece la recuperación (no pase por alto un tumor). La puntuación F1, su media armónica, equilibra ambas en un solo número.
Información técnica
Ambas métricas provienen de los verdaderos positivos (TP), falsos positivos (FP) y falsos negativos (FN) de la matriz de confusión: Precisión = TP / (TP + FP), Recuerdo = TP / (TP + FN). En particular, ninguno de los dos utiliza verdaderos negativos, por lo que siguen siendo informativos cuando los negativos superan ampliamente a los positivos. Al barrer el umbral de clasificación se traza una curva de recuperación de precisión; el área debajo (precisión promedio) resume el rendimiento y se prefiere a ROC-AUC en datos altamente desequilibrados.
Impacto Estratégico
Decisiones más claras
Le ayuda a separar las afirmaciones técnicas claras del lenguaje de marketing.
Costo y presupuesto
Puede hacer mejores preguntas sobre implementación antes de gastar dinero o tiempo.
Equipo y flujo de trabajo
Los equipos con conocimientos compartidos toman mejores decisiones sobre productos, políticas y aprendizaje.
El futuro de la precisión y la recuperación
A medida que la IA ingresa a dominios de alto riesgo (diagnóstico médico, moderación de contenido, fraude), los equipos informan cada vez más sobre precisión y recuperación (y sus curvas) en lugar de precisión únicamente, y ajustan los umbrales para que coincidan con los costos del mundo real y las limitaciones de equidad. Las auditorías de precisión/recuperación por grupo se están convirtiendo en un estándar para detectar tasas de error dispares en distintos grupos demográficos. Espere métricas sensibles a los costos, probabilidades calibradas y herramientas más ricas que permitan a las partes interesadas elegir puntos operativos de forma interactiva en lugar de aceptar un umbral predeterminado de 0,5.
Implementación en el mundo real
Los filtros de spam se ajustan para lograr una alta precisión, por lo que los correos electrónicos legítimos casi nunca se envían por error a la carpeta de spam.
Las pruebas de detección médica priorizan un alto recuerdo para evitar pasar por alto a pacientes que realmente tienen la enfermedad, aceptando más falsos positivos para el seguimiento.
Los sistemas de búsqueda y recomendación informan precision@k (cuántos de los k resultados principales son relevantes) para medir la calidad de la clasificación.
La detección de fraude equilibra la precisión y la recuperación a través de la puntuación F1, ya que tanto las falsas alarmas como el fraude no detectado son costosos.
Riesgos y barandillas
Diferentes equipos pueden usar el mismo término de manera diferente, por lo tanto, defina el alcance con anticipación.
Los puntos de referencia pueden parecer sólidos, mientras que el desempeño en el mundo real es desigual.
Ignorar la calidad de los datos y los planes de evaluación a menudo genera resultados frágiles.
Hoja de ruta de implementación
Comience con una definición en lenguaje sencillo del resultado que necesita.
Elija una métrica de éxito y una condición de fracaso antes de realizar la prueba.
Ejecute un pequeño piloto con datos representativos, no un conjunto de demostración pulido.
Documente dónde ayudan Precision and Recall y dónde los métodos más simples son mejores.
Sigue explorando
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Precision and Recall quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Siguiente guía
Tempus AI en medicina de precisión
Preguntas frecuentes
What is Precision and Recall?
La precisión y la recuperación son dos métricas complementarias para evaluar clasificadores, especialmente cuando las clases están desequilibradas. Juntos revelan lo que oculta la pura precisión: con qué frecuencia las predicciones positivas de un modelo son correctas y cuántos aspectos positivos reales capta realmente.
What is next for Precision and Recall?
A medida que la IA ingresa a dominios de alto riesgo (diagnóstico médico, moderación de contenido, fraude), los equipos informan cada vez más sobre precisión y recuperación (y sus curvas) en lugar de precisión únicamente, y ajustan los umbrales para que coincidan con los costos del mundo real y las limitaciones de equidad. Las auditorías de precisión/recuperación por grupo se están convirtiendo en un estándar para detectar tasas de error dispares en distintos grupos demográficos. Espere métricas sensibles a los costos, probabilidades calibradas y herramientas más ricas que permitan a las partes interesadas elegir puntos operativos de forma interactiva en lugar de aceptar un umbral predeterminado de 0,5.
¿La precisión responde a qué pregunta?
Precisión = TP / (TP + FP) mide la exactitud de las predicciones positivas del modelo: qué tan confiable es una bandera positiva.
¿Por qué se prefiere la precisión y la recuperación a la simple exactitud para conjuntos de datos altamente desequilibrados?
Debido a que ninguna de las métricas utiliza verdaderos negativos, no están infladas por una clase negativa grande y fácil de predecir como lo es la precisión.