MediaOpción múltiple

Pregunta de práctica de AI-900

Un científico de datos entrena un modelo de clasificación binaria para detectar transacciones fraudulentas. El conjunto de datos contiene 99% de transacciones legítimas (clase negativa) y 1% de transacciones fraudulentas (clase positiva). El modelo predice 'legitimate' para cada transacción en el conjunto de prueba y logra 99% de accuracy. ¿Qué métrica revelaría mejor que el modelo no está logrando identificar ninguna transacción fraudulenta?

Elige la mejor respuesta.

Respuesta correcta

  • CRecall

Explicación

El recall mide la proporción de casos positivos reales (transacciones fraudulentas) que el modelo identifica correctamente. Con 99% de accuracy pero cero verdaderos positivos, el recall es 0%, lo que revela inmediatamente el fallo completo del modelo para detectar fraude. En Azure Machine Learning, el panel de métricas de clasificación mostraría recall = 0.0 para la clase positiva, resaltando este problema a pesar de la alta accuracy.

Por qué cada opción es correcta o incorrecta

A

Incorrecta

Accuracy

La accuracy reporta 99% porque la mayoría legítima del 99% se clasifica correctamente, enmascarando la detección de fraude cero. Es tentadora ya que la accuracy es la métrica predeterminada, pero bajo el desequilibrio de clases refleja el dominio de la clase mayoritaria en lugar del rendimiento en la clase positiva.

B

Incorrecta

Precision

La precision mide la proporción de fraudes predichos que son verdaderamente fraudulentos; predecir cero positivos la deja indefinida e ignora por completo los fraudes omitidos. Es tentadora porque a los equipos de fraude les importan las falsas alarmas, pero el recall expone las transacciones fraudulentas no detectadas.

C

Correcta

Recall

El recall mide la proporción de transacciones fraudulentas reales identificadas correctamente. Con una clase positiva del 1%, predecir todos los negativos produce 99% de accuracy pero cero recall, exponiendo el fallo total del modelo para detectar fraude. Esto satisface la necesidad de una métrica sensible al desequilibrio de clases.

D

Incorrecta

F1-score

El F1-score combina precision y recall, por lo que con cero verdaderos positivos ambos no están definidos y el puntaje colapsa a cero, pero oscurece qué fallo ocurrió. Es tentador como una medida equilibrada, pero el recall por sí solo expone directamente los casos fraudulentos omitidos.

Para profundizar

Con un desequilibrio de clases de 99:1, un predictor trivial de la clase mayoritaria alcanza 99% de accuracy mientras que su recall para la clase positiva es exactamente cero, porque el recall es TP/(TP+FN) y no hay verdaderos positivos. La precision no está definida o carece de sentido aquí ya que el modelo nunca predice positivo, y el puntaje F1 colapsa a cero también, pero el recall es la métrica que expone directamente los fraudes omitidos. La accuracy está dominada por los abundantes negativos y oculta el fallo. En la práctica, los equipos de fraude monitorean el recall junto con el AUC de precisión-recall y pueden remuestrear, aplicar ponderaciones de clases o ajustar el umbral de decisión para que el modelo realmente marque los casos positivos raros que importan financieramente.

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.