términos del glosario
Recall
- Categoría
- Evaluation, Safety & Governance
- Dificultad
- Intermedio
Definición
El recall es una métrica de rendimiento de clasificación que calcula la proporción de instancias positivas reales que fueron identificadas correctamente por el modelo.
Cómo funciona y contexto
En el aprendizaje automático, el recall (también conocido como sensibilidad o tasa de verdaderos positivos) es una métrica fundamental utilizada para evaluar el rendimiento de los modelos de clasificación. Se calcula dividiendo el número de verdaderos positivos por la suma de verdaderos positivos y falsos negativos. Una puntuación de recall alta indica que el modelo es efectivo para capturar la mayoría de las instancias positivas, minimizando el número de detecciones perdidas. Esta métrica es particularmente vital en escenarios donde perder un caso positivo conlleva consecuencias significativas, como diagnósticos médicos, detección de fraudes o sistemas críticos para la seguridad. Sin embargo, el recall debe equilibrarse con la precisión; un modelo que predice 'positivo' para cada entrada logrará un recall perfecto pero sufrirá de una precisión extremadamente baja, lo que llevará a una cantidad abrumadora de falsas alarmas.
Por qué es importante
El recall es esencial para evaluar la confiabilidad de los sistemas de IA en entornos de alto riesgo. En campos como la atención médica o la ciberseguridad, un modelo con bajo recall es peligroso porque no logra marcar problemas críticos. Al monitorear el recall, los desarrolladores pueden asegurarse de que sus sistemas no pierdan señales importantes, lo cual es un requisito previo para construir aplicaciones de IA seguras, confiables y efectivas de las que los usuarios puedan depender para una identificación precisa.
Ejemplo real
En una IA de detección de cáncer, el recall es la métrica más importante. Si el modelo tiene un 95% de recall, identifica correctamente a 95 de cada 100 pacientes que realmente tienen la enfermedad. Los 5 pacientes restantes son 'falsos negativos': tienen la enfermedad pero fueron pasados por alto por la IA. En este contexto, se prioriza maximizar el recall sobre la precisión para garantizar que la menor cantidad posible de pacientes enfermos sean enviados a casa con una falsa sensación de seguridad.
Errores frecuentes
- Confundir el recall con la precisión: El recall se centra en los casos positivos perdidos, mientras que la precisión se centra en la exactitud de las predicciones positivas realizadas.
- Ignorar la compensación: Asumir que un modelo puede tener tanto un recall perfecto como una precisión perfecta simultáneamente sin ajustar los umbrales.
- Sobre-optimizar para el recall: Crear un modelo que marque todo como positivo, lo que hace que el sistema sea inútil debido a los excesivos falsos positivos.
Preguntas frecuentes
¿Cómo se relaciona el recall con la puntuación F1?
La puntuación F1 es la media armónica de la precisión y el recall. Proporciona una métrica única que equilibra ambos, lo cual es útil cuando necesitas comparar modelos que tienen diferentes fortalezas en precisión y recall.
¿Puede el recall ser del 100%?
Sí, el recall puede ser del 100% si el modelo identifica correctamente cada instancia positiva en el conjunto de datos. Sin embargo, esto a menudo tiene el costo de una precisión muy baja, ya que el modelo también puede etiquetar muchas instancias negativas como positivas.
¿Cuándo debería priorizar el recall sobre la precisión?
Deberías priorizar el recall cuando el costo de un falso negativo (perder un caso positivo) es mucho mayor que el costo de un falso positivo (una falsa alarma). Los ejemplos incluyen condiciones médicas potencialmente mortales o amenazas de seguridad críticas.