Exactitud

La exactitud (accuracy) es la métrica más intuitiva para evaluar un clasificador: mide la fracción de predicciones correctas sobre el total. En una tarea de clasificación se calcula sumando los aciertos —los verdaderos positivos (VP) y los verdaderos negativos (VN)— y dividiéndolos entre todas las predicciones. En texto plano: Exactitud = (VP + VN) / (VP + VN + FP + FN), donde FP son los falsos positivos y FN los falsos negativos. El resultado, entre 0 y 1 o expresado como porcentaje, responde a una pregunta sencilla: ¿qué proporción de casos etiquetó bien el modelo?

Cómo se calcula

Toda evaluación de un clasificador parte de la matriz de confusión, la tabla que cruza las etiquetas reales con las predichas y reparte cada caso en una de cuatro casillas: VP, VN, FP y FN. La exactitud agrega esa tabla en un único número: los aciertos de la diagonal divididos entre el total. En un problema binario equilibrado —pongamos, mitad de correos legítimos y mitad spam— es una medida honesta y fácil de comunicar. En aprendizaje automático, «accuracy» tiene el sentido de arriba: proporción de aciertos.

Por qué engaña con clases desbalanceadas

El problema aparece cuando una clase domina a la otra: un clasificador que siempre elige la clase mayoritaria puede obtener una exactitud alta y no detectar ningún caso minoritario. La cifra agregada puede esconder el fallo.

Qué usar en su lugar

La métrica debe seguir al coste del error. F1 es la media armónica de precisión y exhaustividad, pero en problemas multiclase hay que declarar si el promedio es micro, macro o ponderado: no son intercambiables. La exactitud equilibrada promedia la exhaustividad de cada clase y evita que el tamaño de la mayoritaria infle por sí solo la puntuación. La exactitud convencional puede acompañarlas, no sustituir esa elección.