Lexicon Redes Neuronales

Puntaje F1

Definición breve

El puntaje F1 es una métrica de evaluación que combina la precisión (precision) y la exhaustividad (recall) en un solo valor, proporcionando una medida equilibrada del rendimiento de un modelo de clasificación.

Explicación del concepto

En problemas de clasificación, especialmente cuando las clases están desbalanceadas, la precisión global (accuracy) puede ser engañosa.

El puntaje F1 resuelve este problema al considerar tanto:

  • la precisión (precision): qué proporción de predicciones positivas es correcta
  • la exhaustividad (recall): qué proporción de los casos positivos reales se detecta

El F1 Score es la media armónica de estas dos métricas, lo que significa que penaliza valores extremos y favorece modelos equilibrados.

Cómo funciona

El puntaje F1 se calcula combinando precisión y recall.

F1 = 2 \cdot \frac{precision \cdot recall}{precision + recall}

Donde:

  • precision = TP / (TP + FP)
  • recall = TP / (TP + FN)

El resultado del F1 Score varía entre 0 y 1:

  • 1 → rendimiento perfecto
  • 0 → rendimiento deficiente

Por qué es importante

El puntaje F1 es especialmente útil cuando:

  • las clases están desbalanceadas
  • los falsos positivos y falsos negativos son importantes
  • se necesita una métrica equilibrada

Permite evaluar modelos de forma más justa en comparación con la precisión simple.

Ejemplo conceptual

Supongamos un modelo que detecta enfermedades.

  • Una alta precisión significa pocos falsos positivos.
  • Un alto recall significa que se detectan la mayoría de los casos reales.

El puntaje F1 equilibra ambos aspectos, lo que es crucial en aplicaciones sensibles.

Ejemplo en PyTorch

El F1 Score suele calcularse con herramientas como scikit-learn.

Python
from sklearn.metrics import f1_score
y_true = [1, 0, 1, 1]
y_pred = [1, 0, 0, 1]
score = f1_score(y_true, y_pred)
print(score)

Este valor representa el equilibrio entre precisión y recall.

Conceptos relacionados

  • Precisión (precision)
  • Recall (exhaustividad)
  • Matriz de confusión
  • Evaluación de modelos
  • Clasificación

Resumen

El puntaje F1 es una métrica que combina precisión y recall en un único valor equilibrado. Es especialmente útil en problemas con clases desbalanceadas y proporciona una medida más completa del rendimiento de un modelo de clasificación que la precisión por sí sola.