Precisión

Aplicaciones reales

La precisión es un indicador de rendimiento clave en muchos campos en los que la clasificación es fundamental. He aquí dos ejemplos:

• Diagnóstico médico: en la asistencia sanitaria impulsada por IA, un modelo diseñado para el análisis de imágenes médicas podría entrenarse para clasificar imágenes de rayos X según muestren signos de neumonía o no. Una alta precisión significa que el modelo identifica correctamente la presencia o ausencia de la enfermedad en un alto porcentaje de casos, proporcionando una ayuda fiable a los radiólogos.
• Control de calidad en la fabricación: En la fabricación inteligente, puede desplegarse un sistema de visión por ordenador para inspeccionar los productos en una cinta transportadora. El modelo clasifica cada artículo como "defectuoso" o "no defectuoso". La alta precisión garantiza que los productos defectuosos se identifiquen correctamente para su retirada, al tiempo que se minimiza el marcado incorrecto de los productos buenos, lo que repercute directamente en la eficiencia y la calidad de la producción.

Limitaciones de la precisión

A pesar de su utilidad, la precisión puede ser muy engañosa, especialmente cuando se trata de conjuntos de datos desequilibrados. Un conjunto de datos desequilibrado es aquel en el que el número de ejemplos de diferentes clases varía significativamente. Por ejemplo, en la detección de fraudes, las transacciones legítimas superan ampliamente a las fraudulentas. Un modelo que siempre pronostique "no fraudulento" podría alcanzar una precisión superior al 99%, pero sería completamente inútil para el fin previsto. Esto se debe a que no identifica los casos raros pero críticos. Este escenario pone de manifiesto la paradoja de la precisión, en la que una puntuación elevada da una falsa idea de la eficacia de un modelo.

Precisión frente a otras métricas

Para obtener una imagen completa del rendimiento de un modelo, es crucial tener en cuenta otras métricas además de la precisión.

• Precisión: Mide la proporción de predicciones positivas que fueron realmente correctas. Responde a la pregunta: "De todas las predicciones que hice para la clase positiva, ¿cuántas fueron correctas?". Una alta precisión es vital cuando el coste de un falso positivo es elevado.
• Recordar: También conocida como sensibilidad, esta métrica mide la proporción de positivos reales que se identificaron correctamente. Responde a la pregunta: "De todos los casos positivos reales, ¿cuántos encontró mi modelo?". Una alta recuperación es fundamental cuando el coste de un falso negativo es elevado, como en el cribado médico.
• Puntuación F1: Es la media armónica de la precisión y la recuperación, y proporciona una única puntuación que equilibra ambas. Resulta especialmente útil para evaluar modelos en conjuntos de datos desequilibrados en los que tanto los falsos positivos como los falsos negativos son importantes.
• Matriz de la confusión: Tabla que visualiza el rendimiento de un modelo de clasificación mostrando los recuentos de verdaderos positivos, verdaderos negativos, falsos positivos y falsos negativos. Proporciona los datos necesarios para calcular la exactitud, la precisión y la recuperación.
• Precisión media (mAP): Para tareas más complejas, como la detección de objetos, mAP es la métrica estándar. Evalúa no solo la corrección de la clasificación, sino también la precisión de localización de los cuadros delimitadores predichos en diferentes niveles de confianza. Para una comprensión más profunda, puede explorar varias comparaciones de modelos.

Mejorar la precisión de los modelos

Varias técnicas pueden ayudar a mejorar la precisión del modelo, aunque a menudo implican compromisos con otras métricas o costes computacionales:

• Aumento de datos: Aumento artificial de la diversidad de los datos de entrenamiento sin recoger nuevas muestras. Consulte la guía de Aumento de datos de YOLO para ver ejemplos.
• Ajuste de hiperparámetros: Optimización de parámetros como la tasa de aprendizaje o el tamaño del lote que se establecen antes de que comience el entrenamiento. Guías como la de Ajuste de hiperparámetros pueden ayudar.
• Elección de arquitecturas avanzadas: Selección de modelos más potentes como los nuevos modelos Ultralytics YOLO o Transformers.
• Transferencia de aprendizaje: Uso de modelos preentrenados en grandes conjuntos de datos como ImageNet y perfeccionamiento de los mismos en una tarea específica.
• Métodos de conjunto: Combinación de predicciones de varios modelos para mejorar el rendimiento global.

Recursos de consultoría como Model Training Tips pueden proporcionar orientación práctica. Plataformas como Ultralytics HUB permiten a los usuarios entrenar modelos y realizar fácilmente un seguimiento de la precisión junto con otras métricas clave, a menudo visualizadas mediante herramientas como TensorBoard. Se puede hacer un seguimiento de los avances en este campo a través de recursos como el Stanford AI Index Report o consultando conjuntos de datos en Papers With Code. Frameworks como PyTorch y TensorFlow se utilizan habitualmente para construir y entrenar estos modelos.

En conclusión, aunque la precisión es una métrica valiosa e intuitiva para evaluar el rendimiento de los modelos de IA, rara vez debe utilizarse de forma aislada. Considerar los objetivos específicos de la tarea de ML y la naturaleza de los datos, especialmente los desequilibrios potenciales o los costes variables de los errores, es esencial para seleccionar las métricas de evaluación más adecuadas. El uso de técnicas de IA explicable (XAI ) también puede proporcionar una visión más profunda más allá de los valores métricos individuales.