DifícilOpción múltiple

Pregunta de práctica de AI-900

¿Cuál es la diferencia entre 'precision' y 'recall' como métricas de evaluación de modelos?

Elige la mejor respuesta.

Respuesta correcta

  • BPrecision mide la exactitud de las predicciones positivas; recall mide la cobertura de los positivos reales

Explicación

La 'precision' mide la proporción de identificaciones positivas que fueron realmente correctas (verdaderos positivos / (verdaderos positivos + falsos positivos)), mientras que el 'recall' mide la proporción de positivos reales que se identificaron correctamente (verdaderos positivos / (verdaderos positivos + falsos negativos)). En Azure Machine Learning, estas métricas son fundamentales para evaluar modelos de clasificación, especialmente cuando se trabaja con conjuntos de datos desbalanceados, ya que proporcionan información distinta sobre el rendimiento del modelo.

Por qué cada opción es correcta o incorrecta

A

Incorrecta

Precision es la velocidad de predicción; recall es el uso de memoria del modelo

Precision y recall son proporciones de calidad de clasificación de la matriz de confusión, no medidas de latencia o memoria. Resulta tentador porque 'precision' y 'recall' suenan a términos de rendimiento y capacidad, pero cuantifican la corrección de las predicciones, no la velocidad de cálculo o el uso de recursos.

B

Correcta

Precision mide la exactitud de las predicciones positivas; recall mide la cobertura de los positivos reales

Precision es la proporción de positivos predichos que son verdaderamente positivos, midiendo la exactitud de la predicción. Recall es la proporción de positivos reales identificados correctamente, midiendo la cobertura. Difieren a lo largo del eje de los conjuntos positivos predichos frente a los reales.

C

Incorrecta

Precision y recall son la misma métrica, solo que calculadas en diferentes conjuntos de datos

Precision y recall son proporciones distintas: precision son los verdaderos positivos sobre los positivos predichos, recall son los verdaderos positivos sobre los positivos reales, ambas sobre el mismo conjunto de datos. Es tentador porque ambas derivan de las mismas celdas de la matriz de confusión, por lo que pueden parecer intercambiables.

D

Incorrecta

Recall es mayor que precision siempre que el modelo ha visto más datos de entrenamiento

Recall y precision se calculan a partir de la misma matriz de confusión en datos idénticos; el tamaño del conjunto de entrenamiento no determina su orden. Es tentador porque más datos a menudo mejoran ambas métricas, pero sus valores relativos dependen del umbral de clasificación y del balance de clases.

Para profundizar

La 'precision' y el 'recall' se calculan a partir de la matriz de confusión. La 'precision' son los verdaderos positivos divididos por los verdaderos positivos más los falsos positivos: de todo lo que el modelo etiquetó como positivo, cuánto era realmente positivo. El 'recall', o sensibilidad, son los verdaderos positivos divididos por los verdaderos positivos más los falsos negativos: de todo lo que era realmente positivo, cuánto capturó el modelo. Se compensan mutuamente a través del umbral de decisión; bajar el umbral generalmente aumenta el 'recall' y disminuye la 'precision'. Un detalle sutil es que un modelo puede tener un 'recall' perfecto prediciendo positivo para todo, pero entonces la 'precision' colapsa. En un escenario de detección de fraude, un alto 'recall' limita el fraude no detectado pero inunda a los analistas con falsas alarmas, mientras que una alta 'precision' reduce la fatiga por alertas pero deja pasar el fraude. La puntuación F1 equilibra ambas y el punto operativo adecuado depende del costo relativo de cada tipo de error.

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.