Accuracy

La precisión sirve como referencia fundamental en la evaluación de los sistemas de inteligencia artificial, cuantificando el porcentaje de predicciones correctas que realiza un modelo en relación con el número total de predicciones. En el contexto del machine learning y, específicamente, del supervised learning, esta métrica ofrece una visión general de cómo un algoritmo se ajusta al ground truth proporcionado durante el proceso de entrenamiento. Aunque es la medida de rendimiento más intuitiva —respondiendo a la sencilla pregunta: "¿Con qué frecuencia acierta el modelo?"—, actúa como un indicador principal de la fiabilidad de un sistema antes de que los desarrolladores se adentren en métricas más granulares.

Link to this sectionEl matiz de evaluar el rendimiento#

Aunque la precisión es un excelente punto de partida, resulta más eficaz cuando se aplica a training data equilibrados donde todas las clases están representadas por igual. Por ejemplo, en una tarea estándar de image classification que distingue entre gatos y perros, si el conjunto de datos contiene 500 imágenes de cada uno, la precisión es una métrica fiable. Sin embargo, surgen desafíos con imbalanced datasets, lo que lleva a la "paradoja de la precisión".

Si un modelo se entrena para fraud detection donde solo el 1% de las transacciones son fraudulentas, un modelo que simplemente prediga que todas las transacciones son "legítimas" alcanzaría un 99% de precisión mientras falla completamente en su tarea principal. Para mitigar esto, los ingenieros suelen utilizar la Ultralytics Platform para visualizar la distribución del conjunto de datos y asegurarse de que los modelos no se limiten a memorizar la clase mayoritaria.

Link to this sectionDistinguir la precisión de términos relacionados#

Para comprender completamente el rendimiento del modelo, es crucial diferenciar la precisión de métricas similares:

• Precision: mide la calidad de las predicciones positivas. Se pregunta: "De todas las instancias predichas como positivas, ¿cuántas eran realmente positivas?"
• Recall: también conocida como sensibilidad, mide la capacidad del modelo para encontrar todos los casos relevantes. Se pregunta: "De todas las instancias positivas reales, ¿cuántas identificó correctamente el modelo?"
• F1-Score: es la media armónica entre la precisión y el recall, proporcionando una puntuación única que equilibra ambas, lo cual es especialmente útil para distribuciones de clases desiguales.

Mientras que la precisión ofrece una visión global de la exactitud, la precisión y el recall ofrecen información sobre tipos específicos de errores, como los falsos positivos o los falsos negativos.

Link to this sectionAplicaciones en el mundo real#

La utilidad de la precisión se extiende por diversas industrias, validando la fiabilidad de los modelos de computer vision y predictivos en entornos críticos.

• Diagnósticos médicos: En el campo del medical image analysis, los modelos se utilizan para clasificar radiografías o escaneos de resonancia magnética. Un modelo que clasifica escaneos como "sanos" o "patológicos" depende de una alta precisión para garantizar que los pacientes reciban diagnósticos correctos. Las innovaciones en AI in healthcare dependen en gran medida de una validación rigurosa para minimizar los errores automatizados.
• Control de calidad en la fabricación: Los sistemas automatizados en smart manufacturing utilizan la inspección visual para identificar defectos en las líneas de montaje. Una alta precisión garantiza que solo se envíen productos sin defectos, reduciendo los residuos y los costes de garantía. Al emplear object detection para detectar fallos, las fábricas mantienen los estándares de producción automáticamente.

Link to this sectionMedir la precisión en el código#

En escenarios prácticos usando Python, los desarrolladores pueden medir fácilmente la precisión de un modelo utilizando librerías establecidas. El siguiente ejemplo demuestra cómo validar un modelo de clasificación YOLO26 para obtener su precisión top-1. La precisión top-1 se refiere a la frecuencia con la que la predicción de mayor probabilidad del modelo coincide con la etiqueta correcta.

from ultralytics import YOLO

# Load a pre-trained YOLO26 classification model
model = YOLO("yolo26n-cls.pt")

# Validate the model on a standard dataset (e.g., MNIST)
metrics = model.val(data="mnist")

# Print the Top-1 Accuracy
print(f"Top-1 Accuracy: {metrics.top1:.4f}")

Link to this sectionEstrategias de mejora#

Cuando un modelo sufre de baja precisión, se pueden emplear varias técnicas para mejorar el rendimiento. Los ingenieros suelen utilizar data augmentation para aumentar artificialmente la diversidad del conjunto de entrenamiento, evitando que el modelo sufra de overfitting. Además, el hyperparameter tuning —ajustar configuraciones como el learning rate— puede tener un impacto significativo en la convergencia. Para tareas complejas, el transfer learning permite que un modelo aproveche el conocimiento de un conjunto de datos grande y preentrenado (como ImageNet) para lograr una mayor precisión en un conjunto de datos más pequeño y específico.