Glosario IA
El diccionario completo de la Inteligencia Artificial
Precisión (Precision)
Métrica que evalúa la proporción de predicciones positivas correctas entre todas las predicciones positivas realizadas por el modelo. Mide la calidad de las predicciones positivas minimizando los falsos positivos.
Recuerdo (Recall)
Indicador que mide la capacidad del modelo para identificar correctamente todas las instancias positivas reales en el conjunto de datos. El recuerdo cuantifica la exhaustividad de las predicciones positivas reduciendo los falsos negativos.
Puntuación F1 (F1-Score)
Media armónica de la precisión y el recuerdo, ofreciendo un equilibrio entre estas dos métricas a menudo antagónicas. La puntuación F1 es particularmente útil para clases desequilibradas donde solo la precisión o solo el recuerdo serían engañosos.
Puntuación F-beta (F-beta Score)
Generalización de la puntuación F1 que permite ponderar de manera diferente la precisión y el recuerdo según el parámetro beta. Esta métrica se adapta a las necesidades específicas del dominio favoreciendo ya sea la precisión (beta<1) o el recuerdo (beta>1).
Matriz de Confusión
Tabla de contingencia que resume el rendimiento de un modelo de clasificación comparando las predicciones con los valores reales. Descompone los resultados en verdaderos positivos, falsos positivos, verdaderos negativos y falsos negativos para un análisis detallado.
Verdadero Positivo (True Positive)
Instancia correctamente clasificada como positiva por el modelo, representando una predicción exitosa para la clase objetivo. Los verdaderos positivos constituyen el numerador en el cálculo del recuerdo y contribuyen al denominador de la precisión.
Falso Positivo (False Positive)
Instancia negativa incorrectamente predicha como positiva por el modelo, correspondiendo a un error de tipo I. Los falsos positivos afectan negativamente la precisión pero no influyen directamente en el recuerdo de la clase positiva.
Verdadero Negativo (True Negative)
Instancia correctamente identificada como negativa por el modelo, demostrando su capacidad para rechazar los casos no relevantes. Los verdaderos negativos son esenciales para evaluar la especificidad del modelo sobre las clases mayoritarias.
Falso Negativo (False Negative)
Instancia positiva que el modelo no detecta y clasifica incorrectamente como negativa, representando un error de tipo II. Los falsos negativos reducen directamente el recall y pueden tener consecuencias críticas según el dominio de aplicación.
Precisión Promedio (Average Precision)
Métrica que resume la curva precisión-recall calculando el promedio ponderado de las precisiones en cada umbral de recall. Es particularmente adecuada para evaluar sistemas de detección de objetos y recuperación de información.
Puntuación AUC-PR
Área bajo la curva precisión-recall, que mide el rendimiento global del modelo independientemente del umbral de clasificación. A diferencia de AUC-ROC, AUC-PR es más sensible al rendimiento en clases minoritarias.
Sensibilidad (Sensitivity)
Sinónimo de recall, mide la proporción de casos positivos reales correctamente identificados por el modelo. La sensibilidad es crucial en aplicaciones médicas donde la detección de casos positivos es prioritaria.
Especificidad (Specificity)
Capacidad del modelo para identificar correctamente las instancias negativas, calculada como la proporción de verdaderos negativos sobre el total de negativos reales. La especificidad complementa el recall para evaluar el rendimiento en todas las clases.
Precisión Balanceada (Balanced Accuracy)
Promedio aritmético de la sensibilidad y la especificidad, corrigiendo sesgos en conjuntos de datos desequilibrados. Esta métrica trata equitativamente el rendimiento en clases mayoritarias y minoritarias.
Curva Precisión-Recall
Gráfico bidimensional que traza la precisión en función del recall para diferentes umbrales de clasificación. Esta visualización permite analizar el compromiso entre precisión y recall y seleccionar el umbral óptimo.
Puntuación Jaccard
Métrica que mide la similitud entre dos conjuntos como la proporción de su intersección sobre su unión. En clasificación, la puntuación Jaccard evalúa la concordancia entre los conjuntos de instancias predichas como positivas y realmente positivas.
Precisión Top-K
Métrica que evalúa la proporción de predicciones correctas entre las K predicciones más confiadas del modelo. Es particularmente relevante para sistemas de recomendación donde solo se presenta al usuario el top de sugerencias.
Recall Top-K
Extensión del recall tradicional limitado a las K predicciones más probables del modelo. Esta métrica mide la capacidad del sistema para cubrir las instancias relevantes considerando únicamente un subconjunto de las predicciones totales.