Hace un tiempo te hablé de la matriz de confusión: ese cuadrito mágico que nos dice cuántas veces nuestro modelo acierta y cuántas la lía.
Hoy toca ir un paso más allá y hablar del trío de métricas más temido (y mal entendido):
👉 Precisión
👉 Sensibilidad (o recall)
👉 F1-score
Vamos por partes, sin fórmulas ni dolor de cabeza:
Precisión: ¿de todo lo que predije como positivo, cuántos eran de verdad?
Imagina que tu modelo dice que hay 100 enfermos. Pero resulta que solo 70 lo estaban de verdad.
👉 Precisión = 70%.
Esto es clave si los falsos positivos son un problema.
Ejemplo: un detector de spam que mete emails normales en la carpeta de “Basura”... nadie quiere perderse el correo de su jefe.
Sensibilidad: ¿de todos los positivos reales, cuántos encontré?
Ahora imagina que en realidad había 120 enfermos, pero tu modelo solo detectó 70.
👉 Sensibilidad = 70 / 120 = 58,3%.
Esta métrica es crítica cuando lo grave es dejar pasar casos reales.
Ejemplo: un test de cáncer que falla el 40% de los tumores… mal asunto.
F1-score: cuando no puedes permitirte ignorar ni precisión ni sensibilidad
La F1 es la media armónica entre precisión y sensibilidad. Traducción:
👉 si una es muy baja, el F1 también lo será.
Sirve para equilibrar: si te importa tanto detectar como no equivocarte, esta es tu métrica.
Entonces… ¿cuál deberías usar?
💡 Depende del problema.
¿Tu modelo de crédito aprueba préstamos a gente que no puede pagar? → Precisión.
¿Tu modelo de diagnóstico médico se salta enfermedades? → Sensibilidad.
¿Quieres un balance entre ambas cosas? → F1.
🎁 Bonus tip: Estas métricas no sirven de mucho si las ves “en global”. Es mejor analizarlas por clase, o al menos mirar la F1 macro y la F1 por clase minoritaria.
¿Te ha quedado más claro?
Las métricas no son solo números. Son decisiones, responsabilidades y, a veces, consecuencias reales.
Por 5$ puedes comprarte un donut en el aeropuerto, dos cafés aguados en una máquina de hospital, un imán de nevera con forma de flamenco… o apoyar este proyecto y sentirte como Warren Buffett pero con menos traje y más sentido común.