Respuesta correcta
Explicación
La puntuación F1 es la media armónica de la precisión y la recuperación, proporcionando una métrica única que equilibra ambas cuando las clases están desequilibradas. En este escenario, la precisión es engañosamente alta (98%) porque el modelo siempre predice la clase mayoritaria (cat), logrando una alta precisión sin aprender realmente a distinguir entre gatos y perros. La puntuación F1 penaliza al modelo por su baja recuperación en la clase minoritaria (dogs), ofreciendo una evaluación más realista de su rendimiento.
Para profundizar
Con una división de 95/5 y un modelo que siempre predice 'cat', la precisión alcanza el 95% mientras que la recuperación para los perros es cero; por lo tanto, la puntuación F1, que es la media armónica de la precisión y la recuperación, expone el fallo al colapsar hacia cero cuando cualquiera de los componentes es deficiente. La precisión por sí sola también puede engañar porque el modelo nunca predice la clase minoritaria, haciendo que sus predicciones positivas sean correctas de manera trivial. Una sutileza que vale la pena conocer es que F1 pondera la precisión y la recuperación por igual, por lo que si los falsos negativos son más costosos que los falsos positivos, se puede preferir la recuperación o un F1 ponderado por beta. En la práctica, un modelo de cribado médico con datos de enfermedades raras necesita este tipo de métrica para evitar desplegar un clasificador que nunca marque la condición para la cual fue construido.
Sobre estas preguntas de práctica
Esta es una de las preguntas de práctica originales de AI-900 de Courseiva, escrita para aprender y nunca copiada de exámenes reales ni de dumps.
Traducida del original en inglés con IA y revisada para comprobar el sentido. Los códigos de examen, los comandos y los nombres de productos se mantienen tal como aparecen en el examen.