Precision vs Recall
La precisión mide cuántos de los elementos que una IA marcó como positivos eran en realidad correctos; el recall mide cuántos de los casos verdaderamente positivos logró detectar, y ambos suelen implicar una relación de compromiso entre sí.
No se requiere tarjeta
Qué significa en la práctica
Supongamos que implementas una herramienta de IA para marcar informes de gastos sospechosos para su revisión. Si marca 100 informes y 90 resultan ser problemas reales, eso es alta precisión: tu tiempo de revisión no se desperdicia en falsas alarmas. Pero si en realidad había 300 informes problemáticos y solo detectó esos 90, su recall es pobre: se le escaparon dos tercios de los casos reales. Un único número de "exactitud" puede lucir excelente justo en este escenario, porque ignorar correctamente miles de informes normales, sin problemas, también cuenta a favor de la exactitud, así que una herramienta puede reportar un 98% de exactitud mientras sigue sin detectar la mayoría del fraude que realmente importa.
Ejemplo
Una herramienta de selección de currículums que marca solo a 5 candidatos de 500, y los 5 son sólidos, tiene una precisión perfecta, pero puede tener un recall pésimo si otros 40 candidatos igual de sólidos quedaron intactos en la pila de rechazados. Una herramienta calibrada en sentido contrario podría marcar a 200 candidatos para asegurarse de captar a casi todos los cualificados, alto recall, pero ahora un reclutador tiene que revisar muchos más falsos positivos, baja precisión, para encontrarlos.
No confundir con
vs. Accuracy
La exactitud es un único número combinado: la proporción de todas las predicciones, positivas y negativas juntas, que el modelo acertó. Puede mantenerse alta incluso cuando una herramienta es, en silencio, mala precisamente en lo único que importa, porque ignorar correctamente la inmensa mayoría de los casos normales y no marcados sostiene la cifra sin importar cuántos verdaderos positivos se hayan pasado por alto. La precisión y el recall separan ese puntaje combinado en las dos preguntas que un trabajo de selección o detección realmente necesita responder: de lo que se marcó, cuánto era real, y de lo que había, cuánto se logró detectar. Una herramienta con un 98% de exactitud puede seguir teniendo un recall pobre en los casos raros y de alto riesgo, como el fraude, que es exactamente el fallo que una sola cifra de exactitud oculta.
Términos relacionados
Frequently asked questions
¿Quieres tu contexto en un solo lugar?
Flaibo guarda tu rol, tu tono y tu trabajo anterior en un solo lugar y los incorpora a los prompts que llevas a la IA que uses, así que un chat nuevo no tiene que empezar desde una ventana de contexto vacía.
Empieza gratis