Recall

El recall (en español, exhaustividad o sensibilidad) es una métrica de clasificación que mide qué proporción de los casos positivos reales fue correctamente identificada por el modelo. Su fórmula es recall = VP / (VP + FN), donde VP son los verdaderos positivos (aciertos en la clase positiva) y FN los falsos negativos (positivos que el modelo dejó escapar).

Dónde encaja: la matriz de confusión

El recall se entiende dentro de 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). El recall se fija en la fila de los positivos reales y pregunta: de todos los que de verdad eran positivos, ¿a cuántos pilló el modelo?

Recall frente a precisión

El recall no debe confundirse con la precisión, que se calcula como VP / (VP + FP) y mide qué proporción de lo que el modelo marcó como positivo lo era de verdad. La diferencia es clave: el recall castiga los falsos negativos; la precisión, los falsos positivos. Y suele haber una tensión entre ambas: bajar el umbral para pillar más positivos sube el recall pero baja la precisión, y viceversa. La F1, la media armónica de las dos, resume ese equilibrio en un solo número.

Cuándo priorizar el recall

Interesa un recall alto cuando un falso negativo sale muy caro. En el cribado médico de una enfermedad grave se busca un recall cercano a la totalidad: es preferible una falsa alarma, que un segundo examen descartará, a pasar por alto a un enfermo. Lo mismo en la detección de fraude: dejar escapar una transacción fraudulenta suele costar más que revisar de más una legítima.

Otros nombres

Según el campo, el recall recibe otros nombres. En estadística médica se llama sensibilidad, y su complemento —los negativos bien clasificados— es la especificidad. En recuperación de información también se habla de recall: la proporción de documentos relevantes que una búsqueda logra recuperar.