Recall

El recall, la precisión y la exactitud son métricas utilizadas para evaluar el rendimiento de los modelos de clasificación, pero cada una mide aspectos diferentes:

• Recall (exhaustividad): Mide la proporción de verdaderos positivos identificados correctamente respecto al total de casos positivos reales. Es decir, entre todos los positivos reales, ¿cuántos detectamos?
• Precisión: Mide la proporción de verdaderos positivos respecto al total de casos identificados como positivos por el modelo. Es decir, de todas las instancias que el modelo predice como positivas, ¿cuántas lo son realmente?
• Exactitud (accuracy): Mide la proporción de predicciones correctas (verdaderos positivos y verdaderos negativos) respecto al total de casos. Es decir, ¿cuántas predicciones hizo correctamente el modelo en relación con el tamaño total del conjunto de datos?

El recall es crítico en situaciones donde los falsos negativos son costosos, mientras que la precisión es importante cuando los falsos positivos son más problemáticos. La exactitud puede ser engañosa en conjuntos de datos desequilibrados, ya que un modelo podría predecir simplemente la clase más común y aún así parecer «exacto». Por lo tanto, es importante elegir la métrica adecuada según el contexto específico del problema y, a menudo, considerar un equilibrio entre ellas.