Precisión, exhaustividad y evaluación

Qué aprenderás

• La precisión es verdaderos positivos entre positivos predichos
• Construir y comprobar una solución usando datos ficticios.
• Resolver y aprobar la hoja de ejercicios antes de continuar.

Conceptos del tema

La precisión es verdaderos positivos entre positivos predichos.

La exhaustividad o sensibilidad es verdaderos positivos entre positivos reales.

En clases desbalanceadas la exactitud puede ocultar fallos importantes; informa también de la matriz de confusión y del contexto.

Cómo interpretar este tema

Separa el objetivo de los datos de entrada y del criterio de éxito. Trabaja primero con ejemplos ficticios que puedas comprobar. En código, identifica entradas, operaciones y salidas; en un encargo a una IA, distingue el contenido generado de las acciones realmente ejecutadas.

Construye una solución pequeña y revisable. Comprueba casos normales, fronteras y errores; conserva las fuentes de las afirmaciones y los permisos de cada herramienta. Los ejemplos de Python de este curso se copian a tu propio entorno: la página no ejecuta código ni realiza llamadas a servicios de IA.

Detalles para comprender la regla

Mide qué fracción de los casos positivos reales se detecta.

Un clasificador trivial puede tener exactitud alta y fallar en la clase relevante.

Ejemplo resuelto

Hay 8 positivos verdaderos y 2 falsas alarmas.

1. Se predijeron 10 positivos.
2. La precisión es 8/10.
3. Equivale al 80 %.

Cómo practicar

1. Define el resultado y los datos que necesita.
2. Revisa el ejemplo y anticipa su salida antes de probarlo.
3. Comprueba un caso normal, una frontera y un error.
4. Explica la solución y verifica los datos o fuentes que utiliza.

Tu cuenta gratuita guarda respuestas, notas y progreso en las dos plataformas.

Recursos para profundizar

• Programación y algoritmos · MIT OCW ↗

  Programa y materiales abiertos de referencia. Los contenidos y ejercicios de Aprende son propios.