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.
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.