Una comparación lado a lado entre exactitud y precisión. Comprenda por qué la corrección global puede ocultar un desempeño débil en la clase positiva y por qué la precisión importa cuando los falsos positivos son costosos.
Veredicto rápido: Use Exactitud para la corrección global de las predicciones; use Precisión cuando lo más importante sea la fiabilidad de las predicciones positivas.
Accuracy measures classification metric equal to the proportion of predictions that are correct among all predictions made.
Contexto: Más relevante cuando las clases están equilibradas y todos los errores de predicción tienen consecuencias ampliamente similares.
Precision measures classification metric that measures the proportion of predicted positives that are actually positive.
Contexto: Más relevante cuando las predicciones positivas activan acciones, escalaciones, revisión legal o consecuencias para usuarios.
| Aspecto | Accuracy | Precision |
|---|---|---|
| Qué mide | La exactitud mide la proporción de todas las predicciones correctas entre todas las predicciones realizadas. | La precisión mide la proporción de positivos predichos que realmente son positivos. |
| Mejor caso de uso | La exactitud es útil cuando las clases están razonablemente equilibradas y el coste de los distintos tipos de error es similar. | La precisión es útil cuando los falsos positivos son costosos y las predicciones positivas deben ser fiables. |
| Modo de fallo | La exactitud puede ser engañosa cuando las clases están desbalanceadas porque un modelo puede funcionar bien en la clase mayoritaria y mal en la clase minoritaria importante. | La precisión puede ser alta incluso si el modelo omite muchos positivos reales, por lo que a menudo debe leerse junto con la exhaustividad. |
| Sensibilidad al umbral | La exactitud puede cambiar con el umbral, pero puede ocultar qué clase o tipo de error impulsó el cambio. | La precisión se ve directamente afectada por cuántas predicciones se etiquetan como positivas con un umbral determinado. |
| Error común | Un error común es usar una alta exactitud como prueba de rendimiento útil en clasificación desbalanceada. | Un error común es tratar la precisión como corrección global en lugar de corrección entre los positivos predichos. |
| Afirmación de validación | La exactitud respalda una afirmación amplia de corrección en todas las predicciones. | La precisión respalda una afirmación más estrecha sobre la confiabilidad de las predicciones positivas. |
En la práctica, la exactitud suele ser la métrica que mejor se ve en una presentación, y la precisión suele ser la métrica que revela si se puede confiar en el flujo de trabajo. Vincule siempre la métrica con la consecuencia operativa de la predicción.
Afirmar que un clasificador es fuerte basándose solo en una alta exactitud.
Confundir precisión con exactitud general.
Ignorar el desbalance de clases en los datos de validación.
Informar precisión sin exhaustividad o contexto de umbral.
Use Exactitud cuando la tarea de evaluación esté equilibrada y el objetivo sea informar la corrección global. Es menos adecuada como métrica principal cuando una clase es rara o cuando los distintos tipos de error tienen consecuencias muy diferentes.
Use Precisión cuando la pregunta clave sea si las predicciones positivas del modelo son realmente positivas. Es especialmente importante cuando una salida positiva activa coste, intervención, escalación o una acción sensible al cumplimiento.
La selección de métricas afecta la evidencia de validación y las afirmaciones de rendimiento. Bajo marcos de gobernanza de IA, la exactitud no debe usarse sola cuando el desbalance de clases o los daños asimétricos hacen que precisión, exhaustividad u otras métricas sean más apropiadas.
Sí. En conjuntos de datos desbalanceados, un modelo puede ser correcto en general mientras produce predicciones positivas poco fiables.
La exactitud puede ser útil cuando las clases están equilibradas y los errores tienen consecuencias similares. Normalmente no basta para tareas de clasificación de alto riesgo o desbalanceadas.
La precisión muestra si las predicciones positivas son fiables. Eso importa cuando las salidas positivas activan decisiones, alertas, revisiones o acciones que afectan a personas u organizaciones.
No recently viewed comparisons yet.