F1-Score

La Puntuación F1 es una métrica de rendimiento fundamental en aprendizaje automático que combina precisión y exhaustividad (recall) en una única media armónica. Es particularmente útil para evaluar modelos de clasificación donde el conjunto de datos está desequilibrado o donde los falsos positivos y falsos negativos conllevan costes diferentes. A diferencia de la precisión simple, que puede resultar engañosa si una clase domina el conjunto de datos, la Puntuación F1 ofrece una visión más equilibrada de la capacidad de un modelo para identificar instancias relevantes correctamente mientras minimiza los errores. Al penalizar los valores extremos, asegura que solo se obtenga una puntuación alta cuando tanto la precisión como la exhaustividad son razonablemente elevadas, lo que la convierte en una métrica esencial en campos que van desde el diagnóstico médico hasta la recuperación de información.

Por qué es importante la Puntuación F1 en el aprendizaje automático#

En muchos escenarios del mundo real, simplemente conocer el porcentaje de predicciones correctas (exactitud) no es suficiente. Por ejemplo, en la anomaly detection, los casos normales superan ampliamente a las anomalías. Un modelo que prediga "normal" para cada entrada podría alcanzar una precisión del 99 %, pero no serviría para detectar problemas reales. El F1-Score aborda esto equilibrando dos métricas en competencia:

• Precision: Esto mide la calidad de las predicciones positivas. Responde a la pregunta: "De todas las instancias que el modelo etiquetó como positivas, ¿cuántas fueron realmente positivas?"
• Recall: Esto mide la cantidad de predicciones positivas. Responde a: "De todas las instancias positivas reales, ¿cuántas identificó correctamente el modelo?"

Debido a que a menudo existe un equilibrio —mejorar la precisión tiende a reducir la recuperación y viceversa—, el F1-Score actúa como una métrica unificada para encontrar un punto de equilibrio óptimo. Esto es crucial al ajustar modelos mediante hyperparameter optimization para garantizar un rendimiento sólido en diversas condiciones.

Aplicaciones en el mundo real#

La utilidad de la Puntuación F1 se extiende a diversas industrias donde el coste del error es significativo.

• Medical Diagnostics: En la AI in healthcare, específicamente para tareas como la detección de tumores, un falso negativo (pasar por alto un tumor) pone en riesgo la vida, mientras que un falso positivo (marcar tejido benigno) causa ansiedad innecesaria. El F1-Score ayuda a los investigadores a optimizar modelos como YOLO26 para garantizar que el sistema sea lo suficientemente sensible como para detectar enfermedades sin abrumar a los médicos con falsas alarmas.
• Recuperación de Información y Búsqueda: Los motores de búsqueda y los sistemas de clasificación de documentos utilizan la Puntuación F1 para evaluar la relevancia. Los usuarios quieren ver todos los documentos relevantes (alta exhaustividad), pero no quieren tener que lidiar con resultados irrelevantes (alta precisión). Una Puntuación F1 alta indica que el motor está recuperando eficazmente la información correcta sin contenido no deseado.
• Spam Filtering: Los servicios de correo electrónico utilizan la text classification para separar el correo no deseado. El sistema debe capturar los correos de spam (recuperación), pero fundamentalmente no debe etiquetar los correos de trabajo importantes como basura (precisión). El F1-Score sirve como la principal referencia para estos filtros.

Cálculo de la Puntuación F1 con Ultralytics#

Los frameworks modernos de visión artificial simplifican el cálculo de estas métricas. Al entrenar modelos de detección de objetos, el F1-Score se calcula automáticamente durante la fase de validación. La Ultralytics Platform visualiza estas métricas en gráficos en tiempo real, lo que permite a los usuarios ver la curva del F1-Score frente a diferentes umbrales de confianza.

Aquí te explicamos cómo puedes acceder a las métricas de validación, incluidos los componentes de la Puntuación F1, mediante la API de Python:

from ultralytics import YOLO

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

# Validate the model on a dataset (metrics are computed automatically)
# This returns a validator object containing precision, recall, and mAP
metrics = model.val(data="coco8.yaml")

# Print the Mean Average Precision (mAP50-95), which correlates with F1 performance
print(f"mAP50-95: {metrics.box.map}")

# Access precision and recall arrays to manually inspect the balance
print(f"Precision: {metrics.box.p}")
print(f"Recall: {metrics.box.r}")

Puntuación F1 frente a métricas relacionadas#

Entender en qué se diferencia la Puntuación F1 de otros criterios de evaluación es esencial para seleccionar la herramienta adecuada para tu proyecto.

• Difference from Accuracy: La Accuracy trata todos los errores por igual. El F1-Score es superior para conjuntos de datos desequilibrados porque se centra en el rendimiento de la clase positiva (la clase minoritaria de interés).
• Relation to mAP: La Mean Average Precision (mAP) es el estándar para comparar modelos de detección de objetos en todos los umbrales de confianza. Sin embargo, el F1-Score se utiliza a menudo para determinar el umbral de confianza óptimo para el despliegue. Puedes elegir el umbral en el que la curva F1 alcanza su punto máximo para desplegar tu aplicación.
• Confusion Matrix: La confusion matrix proporciona los recuentos brutos (Verdaderos Positivos, Falsos Positivos, etc.) a partir de los cuales se deriva el F1-Score. Si bien la matriz ofrece un detalle granular, el F1-Score proporciona una única estadística resumida para una comparación rápida.
• ROC-AUC: El Area Under the Curve (AUC) mide la separabilidad en todos los umbrales. El F1-Score suele preferirse al ROC-AUC cuando se tiene una distribución de clases muy sesgada (por ejemplo, detección de fraude donde el fraude es raro).

Mejora de tu Puntuación F1#

Si tu modelo sufre de un bajo F1-Score, varias estrategias pueden ayudar. El Data augmentation puede aumentar la variedad de ejemplos positivos, ayudando al modelo a generalizar mejor. Emplear transfer learning a partir de modelos base sólidos permite a la red aprovechar características aprendidas previamente. Además, ajustar el confidence threshold durante la inferencia puede cambiar manualmente el equilibrio entre precisión y recuperación para maximizar el F1-Score para tu caso de uso específico.