Definición
La accuracy es una métrica de calidad que muestra qué porcentaje de predicciones del modelo fueron correctas. Se usa a menudo en problemas de clasificación: por ejemplo, cuando un modelo determina si un correo es spam o un correo normal. Si de 100 ejemplos el modelo reconoció correctamente 90, su accuracy es del 90 %. Pero la accuracy por sí sola no siempre basta: en eventos poco frecuentes, el modelo puede parecer bueno aunque pase por alto los casos más importantes.
Ejemplo
En la tarea de detectar transacciones fraudulentas, un modelo puede decir casi siempre «todo está bien» y tener un alto porcentaje de aciertos, pero aun así no detectar ataques reales.
Por qué importa
Entender la accuracy ayuda a no confiar en una sola cifra y a comparar correctamente las herramientas de IA, especialmente cuando el coste de un error es diferente según la clase.
Cómo funciona
La métrica se calcula como la relación entre las respuestas correctas y el número total de ejemplos verificados. Para una evaluación honesta, se usa un conjunto de prueba separado, que el modelo no vio durante el entrenamiento.
Dónde se usa
- evaluación de clasificadores
- comparación de modelos
- control de calidad de un servicio de IA
Limitaciones
La accuracy se adapta mal a datos desbalanceados y a problemas en los que un error es más peligroso que otro. A menudo se necesitan métricas adicionales: recall, precision de la clase positiva, F1 o AUC.
FAQ
¿Por qué es útil conocer la accuracy?
Entender la accuracy ayuda a no quedarse con una sola cifra bonita y a comparar correctamente las herramientas de IA, especialmente cuando el coste de un error es distinto según la clase.