Una comparación lado a lado entre exactitud y exhaustividad. Comprenda cómo la corrección global se diferencia de la capacidad de encontrar casos positivos reales, especialmente cuando los positivos omitidos son costosos.
Veredicto rápido: Use Exactitud cuando la corrección global sea significativa; use Exhaustividad cuando no identificar positivos reales cree un riesgo material.
Accuracy measures classification metric equal to the proportion of predictions that are correct among all predictions made.
Contexto: Más relevante cuando todas las clases y tipos de error tienen importancia similar y el conjunto de datos no está severamente desbalanceado.
Recall measures evaluation metric that measures the proportion of actual positive or relevant items that a model successfully identifies.
Contexto: Más relevante para tareas de detección, cribado y seguridad donde omitir un caso positivo es costoso.
| Aspecto | Accuracy | Recall |
|---|---|---|
| Qué mide | La exactitud mide las predicciones correctas entre todas las predicciones. | La exhaustividad mide los positivos identificados entre todos los positivos reales. |
| Mejor caso de uso | Útil cuando las clases están equilibradas y los errores tienen un coste similar. | Útil cuando los positivos omitidos son más costosos que las falsas alarmas adicionales. |
| Modo de fallo | Puede parecer alta incluso cuando un modelo omite muchos positivos raros pero importantes. | Puede parecer alta incluso cuando muchas predicciones positivas son falsos positivos. |
| Sensibilidad al umbral | Cambiar un umbral de clasificación puede cambiar la exactitud al desplazar el equilibrio entre predicciones correctas e incorrectas. | Cambiar un umbral suele cambiar directamente la exhaustividad al hacer que el modelo esté más o menos dispuesto a identificar positivos. |
| Error común | Informar solo exactitud en tareas de clasificación desbalanceadas o de alto riesgo. | Maximizar la exhaustividad sin documentar la compensación de falsos positivos o la carga operativa. |
En la práctica, la exactitud es la métrica con más probabilidades de parecer tranquilizadora mientras oculta el problema; la exhaustividad obliga a los equipos a preguntar qué no logra detectar el modelo.
Tratar una alta exactitud como prueba de que un clasificador es seguro para detección de eventos raros.
Informar exhaustividad sin precisión, falsos positivos o supuestos de umbral.
Elegir métricas antes de definir qué tipo de error es más dañino.
Use Exactitud cuando necesite una medida simple del total de clasificaciones correctas y la distribución de clases haga que ese número sea significativo. No debe ser la única métrica cuando los casos positivos son raros o los costes de error difieren.
Use Exhaustividad cuando la pregunta de evaluación sea cuántos elementos positivos o relevantes reales encuentra correctamente el modelo. Es especialmente importante en cribado, seguridad, fraude, cumplimiento y otros contextos donde los positivos omitidos son costosos.
La selección de métricas afecta los informes de validación, la evidencia de aseguramiento y las afirmaciones de rendimiento en programas de gobernanza de IA. Los controles de estilo NIST AI RMF e ISO 42001 deben documentar por qué una métrica elegida coincide con el riesgo del caso de uso.
Sí. Si los casos positivos son raros, un modelo puede clasificar correctamente muchos casos negativos y aun así omitir muchos positivos reales.
No. La exhaustividad es mejor cuando los positivos omitidos son especialmente importantes, mientras que la exactitud puede ser útil cuando la corrección global es significativa y el equilibrio de clases es razonable.
A menudo sí. Los informes deben explicar por qué cada métrica es relevante, qué compensaciones de error existen y cómo la métrica respalda la evaluación de riesgos.
No recently viewed comparisons yet.