Precisión, exhaustividad y F1
Equilibrar los distintos tipos de errores.
Precisión, exhaustividad y F1 es una lección gratuita de Data Science Academy en CoddyKit. Esta es la lección 3 de 4. Puedes leer la lección completa abajo gratuitamente — luego la practicas en el navegador con un editor de código integrado y un tutor de IA 24/7. Forma parte de la ruta de aprendizaje de Data Science Academy, y tu progreso se sincroniza en la web y la app de CoddyKit. El curso de Data Science Academy incluye 4 lecciones en total.
Por qué la precisión no basta
Cuando una clase es poco frecuente, la precisión puede parecer excelente mientras el modelo no detecta nada importante. Necesita métricas más precisas, como la precisión y la exhaustividad. 🎯
Definición de precisión
La precisión pregunta: de todos los casos que marqué como positivos, ¿cuántos eran realmente positivos? Mide hasta qué punto es confiable un «sí».
precision = TP / (TP + FP)Cuándo importa la precisión
Una precisión alta es importante cuando las falsas alarmas son costosas, como al marcar un correo legítimo como spam. Quiere que cada señalamiento sea correcto.
Definición de recall
El recall pregunta: de todos los casos realmente positivos, ¿cuántos detecté? Mide qué tan bien evita el modelo pasar cosas por alto.
recall = TP / (TP + FN)Cuándo importa el recall
Un recall alto es importante cuando no detectar un caso es peligroso, como al realizar pruebas para detectar una enfermedad. Detectar todos los casos reales es más importante que generar algunas falsas alarmas.
La tensión entre ambas métricas
La precisión y el recall suelen estar en tensión. Si señala más casos, detecta más positivos, pero también genera más falsas alarmas. Es un compromiso.
Aparece el F1 score
El F1 score combina la precisión y el recall en un solo número mediante su media armónica, y favorece a los modelos que equilibran bien ambas métricas.
f1 = 2 * (precision * recall) / (precision + recall)Por qué usar la media armónica
El F1 utiliza una media armónica, por lo que una puntuación baja en cualquiera de las dos métricas reduce el resultado. No puede ocultarlo obteniendo una puntuación perfecta en una sola métrica.
Obtenga todo en una llamada
No tiene que calcular estas métricas manualmente. El classification report muestra la precisión, el recall y el F1 de cada clase a la vez.
from sklearn.metrics import classification_report
print(classification_report(y_true, y_pred))Elija la métrica que optimizará
Deje que el problema decida. Optimice el recall cuando los casos no detectados sean perjudiciales, la precisión cuando lo sean las falsas alarmas y el F1 cuando necesite un equilibrio.
Preste atención al promedio
Cuando hay muchas clases, elija cómo promediar. El promedio macro trata todas las clases por igual; el ponderado tiene en cuenta el tamaño de cada clase. La elección cambia la interpretación.
f1_score(y_true, y_pred, average='macro')Comprobación rápida
Asegurémonos de que la precisión y el recall queden claros.
Resumen
La precisión mide la confianza en sus positivos, el recall detecta los casos positivos y el F1 equilibra ambas métricas. Deje que el costo de cada error guíe su elección. 🎯
Aprende Python con un tutor de IA — gratis
Escribe y ejecuta código real en tu navegador, obtén ayuda instantánea de un tutor de IA disponible 24/7 y continúa donde lo dejaste en la web o en la aplicación.
- Cursos
- 30
- Lecciones
- 120
Preguntas frecuentes
¿La lección «Precisión, exhaustividad y F1» es gratis?
Sí — el texto completo de «Precisión, exhaustividad y F1» es gratis para leer aquí en la web. Para practicarla de forma interactiva (editor de código integrado y tutor de IA 24/7) y desbloquear el resto del curso de Data Science Academy, actualiza a CoddyKit PRO. El curso de Data Science Academy incluye 4 lecciones en total.
¿Qué aprenderé en «Precisión, exhaustividad y F1»?
Equilibrar los distintos tipos de errores. Practicas Data Science Academy con código real que ejecutas directamente en el navegador, y un tutor de IA 24/7 responde tus preguntas mientras trabajas en la lección.
¿Necesito experiencia previa para empezar Data Science Academy?
No se requiere experiencia previa. Data Science Academy en CoddyKit está estructurado para principiantes hasta estudiantes avanzados, así que puedes empezar aquí o desde el inicio y avanzar a tu ritmo. Esta es la lección 3 de 4.
¿Cuánto tiempo toma la lección «Precisión, exhaustividad y F1»?
La mayoría de las lecciones de CoddyKit toman alrededor de 5–10 minutos. Cada una es compacta e interactiva, así que avanzas constantemente y retomas exactamente por donde dejaste en la web y la app.
¿Puedo escribir y ejecutar código en esta lección de Data Science Academy?
Sí. Cada lección de Data Science Academy incluye un editor de código integrado, así que escribes y ejecutas código real directamente en tu navegador y obtienes retroalimentación instantánea de IA — sin configuración local necesaria.
Todas las lecciones de este curso
- Métricas de regresión: MAE, MSE y R2
- Descifrar la matriz de confusión
- Precisión, exhaustividad y F1
- ROC, AUC y umbrales