Exactitud de las predicciones positivas vs capacidad de encontrar todos los positivos

La precisión y la exhaustividad son dos métricas fundamentales para evaluar modelos de clasificación, especialmente en problemas binarios y datasets desbalanceados.

👉 La diferencia clave es:

• precisión → qué tan correctas son las predicciones positivas
• exhaustividad → cuántos positivos reales logra encontrar el modelo

Definición corta

• Precisión mide calidad de los positivos predichos
• Exhaustividad mide cobertura de los positivos reales

🔹 Precisión

La precisión responde:

👉 “Cuando el modelo dice positivo, ¿cuántas veces tiene razón?”

Fórmula

$\text{Precisión}=\frac{VP}{VP+FP}$

👉 donde:

• VP = verdaderos positivos
• FP = falsos positivos

📊 Ejemplo conceptual

Muchos falsos positivos  ↓  Precisión baja

🔹 Exhaustividad

La exhaustividad responde:

👉 “¿Cuántos positivos reales encontró el modelo?”

Fórmula

$\text{Exhaustividad}=\frac{VP}{VP+FN}$

👉 donde:

• FN = falsos negativos

📊 Ejemplo conceptual

Muchos positivos perdidos  ↓  Exhaustividad baja

🔄 Comparación directa

📊 Ejemplo conceptual

Precisión → calidad  Exhaustividad → cobertura

🧠 Trade-off

Frecuentemente existe un equilibrio:

Mayor precisión  ↓  Menor exhaustividad

Mayor exhaustividad  ↓  Más falsos positivos

👉 depende del umbral de decisión.

🧠 Ejemplos reales

🔹 Medicina

• alta exhaustividad → detectar todas las enfermedades posibles

🔹 Spam

• alta precisión → evitar marcar emails normales como spam

📊 Ejemplo conceptual

Problema crítico  ↓  Elegir métrica más importante

🧠 Relación con matriz de confusión

👉 precisión y exhaustividad dependen directamente de esta matriz.

🧠 Relación con F1-score

El F1-score combina ambas métricas.

$F1=2\cdot\frac{\text{Precisión}\cdot\text{Exhaustividad}}{\text{Precisión}+\text{Exhaustividad}}$

📊 Ejemplo conceptual

Precisión + exhaustividad  ↓  Balance → F1-score

🧠 Uso en machine learning

Estas métricas se usan en:

• clasificación binaria
• detección de fraude
• medicina
• sistemas de búsqueda
• moderación de contenido

📊 Ejemplo conceptual

Predicciones  ↓  Errores  ↓  Precisión y exhaustividad

📊 Ejemplo en Python

from sklearn.metrics import precision_score, recall_score
y_true = [1, 0, 1, 1]
y_pred = [1, 0, 0, 1]
print(precision_score(y_true, y_pred))
print(recall_score(y_true, y_pred))

Ejemplo en PyTorch (conceptual)

# calcular VP, FP y FN manualmente

🧠 Qué muestran estos ejemplos

• evaluación de positivos
• impacto de errores
• diferencias entre métricas

⚠️ Errores comunes

Usar solo accuracy

Puede ocultar problemas graves.

Ignorar el desbalance de clases

Afecta interpretación.

Maximizar una métrica ignorando la otra

Puede generar modelos inútiles.

📊 Ejemplo conceptual en ML

Modelo  ↓  Predicciones  ↓  Precisión vs exhaustividad  ↓  Trade-off

🧠 Interpretación profunda

Esta comparación refleja un principio clave:

👉 Encontrar positivos y evitar falsos positivos son objetivos diferentes

Comprender el equilibrio entre:

• precisión
• exhaustividad

es esencial para diseñar sistemas confiables.

Conclusión

• Precisión mide qué tan fiables son las predicciones positivas
• Exhaustividad mide cuántos positivos reales detecta el modelo

👉 Ambas métricas son esenciales para evaluar clasificadores correctamente.

Related Concepts

• Clasificación binaria
• F1-score
• Matriz de confusión
• ROC-AUC
• Umbral de decisión