Precisión y exhaustividad (precision y recall)

La precisión y la exhaustividad son dos métricas complementarias para evaluar un modelo de clasificación, sobre todo cuando la clase que interesa es poco frecuente. Ambas se calculan a partir de la matriz de confusión.

• Precisión (precision): de todo lo que el modelo marcó como positivo, ¿qué proporción realmente lo era? Responde a «¿cuánto puedo confiar en sus alertas?».
• Exhaustividad (recall, también llamada sensibilidad): de todos los casos positivos reales, ¿qué proporción detectó? Responde a «¿cuántos se le escaparon?».

Normalmente hay un tira y afloja entre ambas. Si bajas el umbral para que el modelo marque más casos, sube la exhaustividad pero aparecen más falsas alarmas y baja la precisión; si lo subes, ocurre lo contrario. La elección depende del costo de cada error: en un tamizaje médico suele priorizarse la exhaustividad; en un filtro que bloquea cuentas de usuarios, la precisión. La puntuación F1, la media armónica de ambas, resume el equilibrio en un solo número.

Una confusión importante en español: «precisión» como métrica técnica no es lo mismo que la exactitud (accuracy), que es el porcentaje total de aciertos. Además, «recall» se traduce de varias formas (exhaustividad, sensibilidad, cobertura, tasa de verdaderos positivos). En sistemas de búsqueda y RAG estas métricas también se usan para medir si se recuperaron los documentos relevantes.