Recall
El recall, también llamado sensibilidad, es una métrica de evaluación que mide la capacidad de un modelo de clasificación para identificar correctamente los casos positivos. Se calcula como la proporción de verdaderos positivos frente al total de positivos reales.
Ejemplos prácticos
- Medicina: una prueba de VIH con alto recall detectará la mayoría de los pacientes infectados, aunque genere algunos falsos positivos.
- Finanzas: un sistema antifraude con buen recall detecta casi todas las operaciones fraudulentas.
- Búsqueda de información: un motor de búsqueda con alta sensibilidad recupera casi todos los documentos relevantes.
Ventajas y limitaciones
- ✅ Muy útil cuando es crítico no pasar por alto casos positivos.
- ❌ Un recall alto sin control puede reducir la precisión, aumentando los falsos positivos.
- ⚖️ Normalmente se analiza junto con la precisión y métricas derivadas como el F1-score.
El recall o sensibilidad refleja la capacidad de un modelo para captar la mayoría de los casos positivos reales, evitando falsos negativos. En muchos ámbitos, como la salud pública o la ciberseguridad, esta cualidad es más valiosa que la precisión, ya que no detectar una amenaza puede ser mucho más grave que lanzar una alerta de más.
El desafío está en equilibrar el recall con la precisión. Aumentar la sensibilidad suele implicar aceptar más falsos positivos, lo cual puede ser problemático en contextos donde las falsas alarmas tienen un alto coste operativo (por ejemplo, en sistemas de detección de fraudes bancarios que bloquean transacciones legítimas).
En términos matemáticos, el recall se calcula como la proporción de verdaderos positivos sobre todos los positivos reales (TP / (TP + FN)). Su análisis conjunto con las curvas ROC o Precision–Recall permite entender mejor el comportamiento global del modelo y tomar decisiones sobre el umbral de predicción más adecuado.
📚 Referencias
- Fawcett, T. (2006). An Introduction to ROC Analysis.
- Hastie, T., Tibshirani, R., Friedman, J. (2009). The Elements of Statistical Learning.
