Definición corta

El umbral de decisión es el valor utilizado para convertir probabilidades predichas por un modelo en decisiones finales de clasificación. Determina cuándo una predicción se considera positiva o negativa.

📖 Definición detallada

Muchos modelos de clasificación no producen directamente etiquetas como:

• “spam”
• “fraude”
• “positivo”
• “negativo”

En cambio, producen probabilidades.

Por ejemplo:

El umbral de decisión define el punto a partir del cual una probabilidad se transforma en una clase positiva.

📌 Ejemplo básico

Supongamos:

• umbral = 0.5

Entonces:

🧠 Idea fundamental

El umbral controla el equilibrio entre:

• precisión
• exhaustividad
• falsos positivos
• falsos negativos

Modificar el umbral cambia completamente el comportamiento del modelo.

📉 Umbral bajo

Ejemplo:

• umbral = 0.2

Consecuencias:

• más positivos detectados
• mayor exhaustividad
• más falsos positivos

El modelo se vuelve más “sensible”.

📈 Umbral alto

Ejemplo:

• umbral = 0.9

Consecuencias:

• menos positivos detectados
• mayor precisión
• más falsos negativos

El modelo se vuelve más “estricto”.

⚖️ Tradeoff fundamental

Umbral bajo

• ↑ exhaustividad
• ↓ precisión

Umbral alto

• ↑ precisión
• ↓ exhaustividad

📊 Representación matemática

La decisión suele formularse como:

$\hat{y}=\begin{cases}1 & \text{si } P(y=1) \ge t \\ 0 & \text{si } P(y=1) < t\end{cases}$

Donde:

• $P(y=1)$ = probabilidad predicha
• $t$ = umbral de decisión

🚨 Importancia práctica

El umbral ideal depende del problema.

🏥 Diagnóstico médico

Suele preferirse:

• umbral bajo
• alta exhaustividad

Porque perder un caso positivo puede ser muy grave.

📧 Filtros de spam

Suele preferirse:

• umbral más alto
• alta precisión

Porque marcar correos legítimos como spam puede ser problemático.

💳 Detección de fraude

A menudo:

• umbral moderado
• equilibrio entre precisión y exhaustividad

📈 Relación con curvas ROC y Precision-Recall

Cada punto en:

• una curva ROC
• una curva Precision-Recall

corresponde a un umbral distinto.

Mover el umbral desplaza el comportamiento del modelo sobre esas curvas.

💻 Ejemplo en Python

import matplotlib.pyplot as plt
# Clases
clases = ["Negativo", "Positivo"]
# Probabilidades
probabilidades = [0.35, 0.65]
# Umbral
threshold = 0.5
# Crear gráfica
plt.bar(clases, probabilidades)
# Línea del umbral
plt.axhline(threshold, linestyle="--", label=f"Umbral = {threshold}")
# Etiquetas
plt.ylabel("Probabilidad")
plt.title("Umbral de decisión")
# Mostrar valores
for i, p in enumerate(probabilidades):
    plt.text(i, p + 0.02, f"{p:.2f}", ha="center")
plt.ylim(0, 1)
plt.legend()
plt.show()

Conceptos relacionados

• Clasificación binaria
• Precisión
• Exhaustividad
• F1-score
• ROC-AUC
• Curva Precision-Recall
• Regresión logística
• Función sigmoide

🚀 Conclusión

El umbral de decisión es uno de los elementos más importantes en clasificación probabilística.

Aunque el modelo permanezca igual, cambiar el umbral puede transformar radicalmente:

• precisión
• exhaustividad
• sensibilidad
• comportamiento operativo

Elegir el umbral correcto depende siempre del contexto y de las consecuencias reales de los errores del modelo.