Sensitivity
La sensibilidad, también llamada recall o tasa de verdaderos positivos, es una medida que indica qué proporción de casos positivos reales son correctamente identificados por un modelo de clasificación.
Relevancia
Se utiliza especialmente en situaciones donde no detectar un positivo es más costoso que generar falsas alarmas. Por eso es fundamental en ámbitos como la medicina, la seguridad y las finanzas.
Ejemplos prácticos
- Medicina: en un test de VIH, una alta sensibilidad garantiza que la mayoría de los pacientes infectados sean detectados.
- Seguridad informática: un sistema con alta sensibilidad detectará la mayoría de intentos de intrusión, aunque genere alertas adicionales.
- Créditos bancarios: en la detección de impagos, se prioriza la sensibilidad para identificar correctamente a clientes de alto riesgo.
Limitaciones
Un modelo con sensibilidad muy alta puede perder precisión en términos de especificidad. Es decir, puede etiquetar demasiados casos como positivos, aunque no lo sean. Por eso, siempre se analiza en conjunto con otras métricas como la precisión y la F1 score.
La sensibilidad indica hasta qué punto un modelo logra detectar los casos positivos reales. Es vital en contextos donde un falso negativo puede ser inaceptable, como en diagnósticos médicos, prevención del fraude o sistemas de seguridad.
Un modelo con sensibilidad muy alta casi nunca deja escapar un positivo, pero tiende a generar más falsas alarmas. Por ejemplo, un sistema antispam muy sensible atrapará la mayoría de correos basura, pero también puede enviar muchos mensajes válidos a la carpeta de spam.
Por eso, la sensibilidad no se analiza de forma aislada. Siempre se contrasta con métricas como la especificidad, que mide la capacidad de reconocer los negativos, o con indicadores combinados como la precisión y el F1-score, que permiten valorar mejor los compromisos entre aciertos y errores.
📚 Referencias
- Fawcett, T. (2006). An Introduction to ROC Analysis. Pattern Recognition Letters.
- Hastie, T., Tibshirani, R., Friedman, J. (2009). The Elements of Statistical Learning. Springer
