Precisión, exhaustividad y F1
Dos formas de equivocarse
El falso positivo y el falso negativo son enemigos independientes. Reducir uno suele aumentar el otro, porque el veredicto se mueve con un umbral. Precisión y exhaustividad capturan cada cuál de esos dos costes.
La precisión
La precisión es la fracción de verdaderos positivos entre todo lo que el modelo marcó como positivo. Mide cuánto puedes fiarte de una alerta. Alta precisión significa pocas falsas alarmas: lo ideal cuando molestar o intervenir cuesta caro.
La exhaustividad
La exhaustividad —recall— es la fracción de positivos reales que el modelo cazó. Mide cuánta cobertura alcanzas. Alta exhaustividad significa pocos casos escapados: lo crucial cuando dejar pasar un positivo es grave, como en seguridad o diagnóstico.
El compromiso entre ambas
Subir el umbral hace al modelo exigente: más precisión, menos exhaustividad. Bajándolo, cazamos más pero con más ruido. No existe el punto que maximice ambas a la vez salvo modelos perfectos; siempre hay que ceder en algo.
El f1 como resumen
Cuando se quiere un único número equilibrado, el f1 combina precisión y exhaustividad. Castiga a cualquiera de las dos que sea baja, así que un f1 alto exige ser bueno en ambas, no excelente en una y desastroso en la otra.
Por qué media armónica
El f1 es la media armónica de precisión y exhaustividad, no la aritmética. La armónica se inclina hacia el valor menor: si una de las dos cae a cero, el f1 también. Esa naturaleza impide que un modelo tramposo esconda un fallo bajo un brillo.
Elegir según el coste
La pregunta correcta no es «qué métrica es mejor» sino «qué error me cuesta más». En filtrado de spam priorizamos precisión —no perder correos buenos—; en detección de fallos, exhaustividad —no dejar escapar ninguno—.
El umbral, una decisión
Tras cada métrica hay un umbral que alguien eligió. Moverlo recorre el compromiso entre precisión y exhaustividad. Fijarlo en cero coma cinco por costumbre, sin mirar costes, es delegar una decisión económica en un valor por defecto.
Errores frecuentes
- Reportar solo el f1 sin decir qué balance de precisión y exhaustividad lo produjo.
- Optimizar precisión en un problema donde el coste real está en los falsos negativos.
- Dejar el umbral en su valor por defecto sin consultar a quien sufre las consecuencias.
Ejemplo resuelto: decidir el umbral de un detector de fallos
Una fábrica instala un sensor que avisa antes de que una máquina falle, donde dejar pasar un fallo cuesta muchísimo. El razonamiento:
- Valorar el coste: un fallo escapado puede parar la línea entera; una falsa alarma solo detiene un check.
- Privilegiar exhaustividad: conviene cazar casi todos los fallos aunque se dispare a veces.
- Mover el umbral: bajarlo para detectar más, aceptando perder algo de precisión.
- Reportar el par: anunciar precisión y exhaustividad juntas, nunca solo el f1.
- Revisar: confirmar con los costes reales si el balance elegido minimiza el daño total.
¿Para qué sirve en la realidad?
Elegir entre precisión y exhaustividad gobierna decisiones reales: spam (prioriza no perder correos buenos), diagnóstico (prioriza no perder enfermos), recomendadores (buscan equilibrio con f1). Nombrar el error caro es el paso que convierte métricas en criterio.
¿Qué captura la exhaustividad (recall) de un clasificador?
Puede existir un clasificador con exhaustividad perfecta y precisión perfecta a la vez sobre datos reales imperfectos.
Curva precisión-exhaustividad
Graficar precisión frente a exhaustividad al barrer el umbral muestra el rostro completo del modelo, sobre todo con clases muy desiguales, donde el f1 y la curva resumen el sacrificio entre ambas mucho mejor que la exactitud.
Precision-Recall
Ordena el razonamiento para elegir la métrica de un problema:
Coste
Error
Metrica
Umbral
Beyond accuracy
Artículo de referencia sobre precisión, exhaustividad y su elección.
Une cada métrica o pieza con lo que responde.
Dos fallos opuestos, una elección
# Precisión, exhaustividad y F1 ## Precisión ### fiabilidad de la alerta ### pocas falsas alarmas ## Exhaustividad ### cobertura ### pocos escapados ## F1 ### media armónica ### equilibrio ## Umbral ### recorre el compromiso ### decisión de coste
Exactitud, precisión y recuperación
Guía interactiva en español para elegir la métrica de clasificación adecuada.
Tu buscador de anomalías tiene precisión cero coma nueve y exhaustividad cero coma tres. ¿Es buen modelo? Depende de qué problema sea: pon dos contextos con respuestas opuestas.