True Positive Rate
La tasa de verdaderos positivos (TPR), conocida también como sensibilidad o recall, es una métrica fundamental en la evaluación de modelos de clasificación. Indica qué proporción de los casos positivos reales fueron correctamente identificados por el modelo.
Ejemplo
Un sistema de reconocimiento de fraudes analiza 1.000 transacciones, de las cuales 50 son realmente fraudulentas. Si el modelo detecta 45 de ellas, la TPR es del 90 %.
Relevancia práctica
En problemas donde las consecuencias de no detectar un positivo son graves, la TPR adquiere un valor crucial:
- En salud, un falso negativo puede significar no diagnosticar una enfermedad grave.
- En seguridad, no detectar un ataque puede comprometer un sistema entero.
Relación con otras métricas
Un modelo con alta TPR puede generar muchos falsos positivos, lo que reduce la precisión. Por eso, la TPR no debe evaluarse de forma aislada, sino junto con métricas complementarias como precisión, F1-score y área bajo la curva ROC.
Aplicaciones
- Diagnóstico médico.
- Sistemas de recomendación donde la cobertura es prioritaria.
- Motores de búsqueda que deben recuperar la mayor cantidad posible de documentos relevantes.
La Tasa de Verdaderos Positivos rara vez debe analizarse sola. En la práctica, suele complementarse con métricas como la especificidad (True Negative Rate) o el valor predictivo positivo, que permiten evaluar si el sistema no solo detecta bien los casos positivos, sino que también controla los falsos positivos.
Un aspecto crítico es el ajuste del umbral de decisión. Bajar el umbral de probabilidad incrementa la sensibilidad y mejora el TPR, pero puede saturar el sistema con demasiadas alertas. Por eso, herramientas como las curvas ROC o las curvas de precisión–recobrado son fundamentales para encontrar el equilibrio correcto.
El problema de los datos desbalanceados también influye directamente en el TPR. Estrategias como el sobremuestreo de la clase minoritaria, el uso de técnicas de costo diferenciado o los métodos de ensamblado ayudan a dar más peso a los casos raros y relevantes. De lo contrario, un modelo puede parecer “preciso” en términos de exactitud global, pero fallar en los casos que importan.
En el ámbito empresarial y médico, el TPR cumple además un rol comunicativo. Explica en términos simples: “¿De todos los positivos reales, cuántos detectó el modelo?”. Esto facilita que los equipos técnicos y los responsables de negocio compartan una visión común sobre la eficacia del sistema.
📚 Referencias
- Mitchell, T. M. (1997). Machine Learning. McGraw-Hill.
- Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer.
