Precisión

La precisión (en inglés, precision) es una métrica de clasificación que mide qué proporción de los casos que un modelo predice como positivos son realmente positivos. Su fórmula es precisión = VP / (VP + FP), donde VP son los verdaderos positivos (aciertos) y FP los falsos positivos (falsas alarmas). Responde a la pregunta: de todo lo que el modelo marcó, ¿cuánto acertó?

La matriz de confusión

La precisión se lee en la matriz de confusión, que cruza lo predicho con lo real en cuatro casillas: verdaderos positivos (VP), falsos positivos (FP), verdaderos negativos (VN) y falsos negativos (FN). La precisión se fija en la columna de lo que el modelo declaró positivo, y penaliza los falsos positivos.

Precisión no es lo mismo que exactitud

Un error frecuente es confundir la precisión con la exactitud (accuracy), que es la proporción de aciertos totales, (VP + VN) entre todos los casos. La exactitud puede ser engañosa con clases desbalanceadas: si solo el 1 % de los casos es positivo, un modelo que siempre diga «negativo» acierta el 99 % de las veces siendo inútil. La precisión no cae en esa trampa, porque se centra en la calidad de las predicciones positivas.

Precisión frente a recall

La precisión es la contracara del recall (VP / (VP + FN)): la precisión castiga los falsos positivos; el recall, los falsos negativos. Y suelen estar en tensión: subir el umbral para que el modelo solo marque lo que tiene muy claro mejora la precisión, pero deja escapar positivos y baja el recall. La F1, media armónica de ambas, resume ese equilibrio en un número.

Cuándo priorizar la precisión

Interesa una precisión alta cuando un falso positivo sale caro. El ejemplo clásico es el filtro de spam: marcar como basura un correo legítimo —una oferta de trabajo, un mensaje de un cliente— es más dañino que dejar pasar algún spam, así que se prioriza la precisión. En recuperación de información se habla también de precisión —la fracción de resultados recuperados que son relevantes— y de precisión@k, que la mide solo entre los primeros k resultados.