Calculadora de precisión y exhaustividad (recall)

Calculadora de precisión y exhaustividad (recall)

En crecimiento AI Skill PRO

Ingresar cálculo

Fórmula

Precisión=TPTP+FP,Exhaustividad=TPTP+FNF1=2·Precisión·ExhaustividadPrecisión+Exhaustividad\begin{gathered} \text{Precisión} = \frac{\text{TP}}{\text{TP} + \text{FP}}, \quad \text{Exhaustividad} = \frac{\text{TP}}{\text{TP} + \text{FN}} \\[1.5em] \text{F1} = 2 \cdot \frac{\text{Precisión} \cdot \text{Exhaustividad}}{\text{Precisión} + \text{Exhaustividad}} \end{gathered}
Estadísticas de uso

Publicidad

Resultados

Precisión
80%
de los positivos predichos eran correctos
Exhaustividad (sensibilidad) 88,89%
F1 Score 84,21%

Informar de un error en esta página

Qué hace esta calculadora

Esta herramienta evalúa el rendimiento de un modelo de clasificación binaria calculando tres métricas fundamentales: la precisión, la exhaustividad (también conocida como recall o sensibilidad) y el F1 score. Solo tienes que introducir los recuentos básicos de tu matriz de confusión —verdaderos positivos (TP), falsos positivos (FP) y falsos negativos (FN)— y obtendrás cada métrica expresada como porcentaje. Estas medidas son universales en el aprendizaje automático, la recuperación de información, las pruebas médicas y cualquier ámbito en el que se clasifiquen elementos en categorías positivas y negativas.

Cómo usarla

Introduce el número de verdaderos positivos (positivos predichos correctamente), de falsos positivos (negativos clasificados por error como positivos) y de falsos negativos (positivos que el modelo no detectó). Pulsa calcular para ver la precisión, la exhaustividad y el F1. Los verdaderos negativos no son necesarios para estas métricas concretas.

Diagramas de Venn que ilustran la precisión como la superposición sobre lo predicho y la exhaustividad como la superposición sobre lo real
La precisión se centra en los positivos predichos; la exhaustividad, en los positivos reales.

Las fórmulas explicadas

Precisión = TP / (TP + FP) responde a la pregunta: «De todo lo que marqué como positivo, ¿cuánto era correcto?». Una precisión alta significa pocas falsas alarmas.

$$\text{Precision} = \frac{\text{TP}}{\text{TP} + \text{FP}}, \quad \text{Recall} = \frac{\text{TP}}{\text{TP} + \text{FN}}$$

Exhaustividad = TP / (TP + FN) responde a: «De todo lo que realmente era positivo, ¿cuánto logré detectar?». Una exhaustividad alta significa que se escapan pocos casos.

El F1 score es la media armónica de ambas: F1 = 2 · (Precisión · Exhaustividad) / (Precisión + Exhaustividad). Equilibra las dos métricas y resulta especialmente útil cuando las clases están desbalanceadas.

$$\text{F1} = 2 \cdot \frac{\text{Precision} \cdot \text{Recall}}{\text{Precision} + \text{Recall}}$$
Publicidad

Ejemplo resuelto

Imagina que un filtro de spam marca 100 correos como spam. De ellos, 80 son realmente spam (TP) y 20 no lo son (FP). Además, el filtro deja pasar 10 correos de spam reales (FN).

$$\text{Precisión} = \frac{80}{80 + 20} = 0{,}80 = 80\,\%$$$$\text{Exhaustividad} = \frac{80}{80 + 10} = 0{,}889 = 88{,}89\,\%$$$$\text{F1} = 2 \cdot \frac{0{,}80 \cdot 0{,}889}{0{,}80 + 0{,}889} = 84{,}21\,\%$$
Matriz de confusión que muestra VP, FP, FN y VN en una cuadrícula de 2x2
La matriz de confusión: la precisión y la exhaustividad se construyen a partir de VP, FP y FN.

Preguntas frecuentes

¿Cuándo conviene priorizar la precisión sobre la exhaustividad? Prioriza la precisión cuando los falsos positivos salen caros (por ejemplo, marcar correos legítimos como spam). Prioriza la exhaustividad cuando dejar pasar positivos tiene un coste alto (por ejemplo, en el cribado del cáncer).

¿Por qué usar el F1 score? La exactitud (accuracy) puede ser engañosa con datos desbalanceados. El F1 combina precisión y exhaustividad en un único valor equilibrado.

¿Qué pasa si un denominador es cero? Si TP+FP o TP+FN da cero, la métrica queda indefinida; en ese caso esta calculadora muestra 0 %.

Última actualización:

Lo más popular en Matemáticas y Estadísticas

Ver todas las calculadoras de Matemáticas y Estadísticas