Respuesta correcta
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.
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.