Una comparación lado a lado entre precisión y exhaustividad. Comprenda cómo la precisión evalúa la corrección de los positivos predichos, mientras que la exhaustividad evalúa cuántos positivos reales fueron encontrados.
Veredicto rápido: Use Precisión cuando los falsos positivos sean costosos; use Exhaustividad cuando los positivos omitidos sean costosos.
Precision measures classification metric that measures the proportion of predicted positives that are actually positive.
Contexto: Más relevante cuando las predicciones positivas incorrectas generan coste, daño o carga operativa.
Recall measures evaluation metric that measures the proportion of actual positive or relevant items that a model successfully identifies.
Contexto: Más relevante cuando no detectar casos relevantes o positivos crea un riesgo alto o una pérdida inaceptable.
| Aspecto | Precision | Recall |
|---|---|---|
| Qué mide | La precisión mide cuántos positivos predichos son realmente positivos. | La exhaustividad mide cuántos positivos reales o elementos relevantes identifica correctamente el modelo. |
| Mejor caso de uso | La precisión es importante cuando los falsos positivos son costosos, como escalaciones innecesarias, carga de revisión o marcado incorrecto. | La exhaustividad es importante cuando los positivos omitidos son costosos, como no detectar riesgos, fraude o documentos relevantes. |
| Modo de fallo | Un modelo puede tener alta precisión pero baja exhaustividad si predice positivos solo en los casos más fáciles y omite muchos positivos reales. | Un modelo puede tener alta exhaustividad pero baja precisión si marca muchos casos que en realidad no son positivos. |
| Sensibilidad al umbral | La precisión suele cambiar cuando cambia el umbral de decisión porque cambia el conjunto de positivos predichos. | La exhaustividad también cambia con el umbral porque umbrales más estrictos pueden omitir más positivos reales y umbrales más laxos pueden capturar más. |
| Error común | Un error común es usar solo la precisión para afirmar que un detector es eficaz. | Un error común es usar solo la exhaustividad sin explicar la carga de falsos positivos. |
| Evidencia de gobernanza | La evidencia de precisión respalda afirmaciones sobre la fiabilidad de las predicciones positivas. | La evidencia de exhaustividad respalda afirmaciones sobre la cobertura de los casos positivos o relevantes reales. |
En la práctica, precisión y exhaustividad rara vez deberían informarse de forma aislada. La mejor pregunta es qué tipo de error está dispuesta a tolerar la organización y por qué.
Optimizar la precisión ignorando los casos positivos omitidos.
Optimizar la exhaustividad ignorando la carga de falsos positivos.
Informar una métrica sin contexto de distribución de clases o umbral.
Tratar precisión y exactitud como la misma métrica.
Use Precisión cuando la principal preocupación de evaluación sea si se puede confiar en las predicciones positivas. Es especialmente relevante en flujos de trabajo donde los falsos positivos crean daño, coste, revisión humana innecesaria o afirmaciones engañosas.
Use Exhaustividad cuando la principal preocupación de evaluación sea si el sistema encuentra los casos relevantes o positivos. Es especialmente relevante para detección, cribado, búsqueda y flujos de seguridad donde los positivos omitidos son costosos.
La elección de métricas afecta los informes de validación, la aceptación de riesgos y las afirmaciones de rendimiento. Bajo gobernanza de estilo NIST AI RMF e ISO/IEC 42001, los equipos deben justificar si precisión, exhaustividad o ambas coinciden con el escenario de riesgo y el uso previsto.
Ninguna es siempre más importante. La precisión importa más cuando los falsos positivos son costosos, mientras que la exhaustividad importa más cuando los positivos omitidos son costosos.
Sí, pero a menudo existe una compensación según el modelo, los datos y el umbral. La evaluación debe mostrar el equilibrio, no solo un número.
Cambiar un umbral cambia qué casos se predicen como positivos. Eso puede aumentar la exhaustividad reduciendo la precisión, o aumentar la precisión reduciendo la exhaustividad.
No recently viewed comparisons yet.