Calculadora de precisión, recall y F1

Son las métricas con las que se evalúa cualquier clasificador, desde un modelo de aprendizaje automático hasta una prueba diagnóstica.

Introduce los cuatro valores de la matriz de confusión y obtendrás las cinco métricas de un vistazo.

La precisión responde a «de lo que marqué como positivo, cuánto lo era»; el recall responde a «de todo lo positivo que había, cuánto detecté». El F1 es su media armónica y penaliza los desequilibrios.

Precisión y exhaustividad tiran en direcciones opuestas

Un modelo que sólo señala los casos de los que está segurísimo tendrá precisión altísima y se dejará muchos fuera. Otro que señala casi todo capturará casi todos los positivos con una precisión pésima. Ajustar el umbral mueve el equilibrio entre ambas, y elegir dónde ponerlo es una decisión de negocio, no técnica.

Cuál priorizar depende del coste del error

En un cribado médico, dejar pasar un caso es mucho más grave que una falsa alarma, así que prima la exhaustividad. En un filtro de correo no deseado, marcar un mensaje legítimo como basura es peor que dejar pasar publicidad, así que prima la precisión. No hay una respuesta universal.

Por qué el F1 usa media armónica

La media aritmética premia los extremos: un modelo con precisión del cien por cien y exhaustividad del cero daría cincuenta. La media armónica castiga el desequilibrio y en ese caso da cero, que es lo razonable. Por eso el F1 sólo es alto cuando ambas métricas lo son.

La exactitud engaña con clases desbalanceadas

Si sólo el uno por ciento de los casos son positivos, un modelo que responda siempre que no acierta el noventa y nueve por ciento de las veces sin detectar nada. Es la razón de que en detección de fraude o de enfermedades raras la exactitud sea una métrica inútil.