F1-Score

La puntuación F1 es una métrica de rendimiento fundamental en aprendizaje automático que combina la precisión y la exhaustividad en una única media armónica. Resulta especialmente útil para evaluar modelos de clasificación cuando el conjunto de datos está desequilibrado o cuando los falsos positivos y los falsos negativos tienen costes distintos. A diferencia de la exactitud, que puede inducir a error si una clase predomina en el conjunto de datos, la puntuación F1 ofrece una visión más equilibrada de la capacidad del modelo para identificar correctamente las instancias relevantes y minimizar los errores. Al penalizar los valores extremos, garantiza que solo se obtenga una puntuación alta cuando tanto la precisión como la exhaustividad son razonablemente altas, por lo que es una métrica esencial en ámbitos que van desde el diagnóstico médico hasta la recuperación de información.

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

En muchos casos reales, saber únicamente el porcentaje de predicciones correctas (exactitud) no es suficiente. Por ejemplo, en la detección de anomalías, los casos normales superan con creces a las anomalías. Un modelo que predijera «normal» para todas las entradas podría alcanzar una exactitud del 99 %, pero sería inútil para detectar problemas reales. La puntuación F1 aborda este problema al equilibrar dos métricas contrapuestas:

• Precisión: mide la calidad de las predicciones positivas. Responde a la pregunta: «De todas las instancias que el modelo clasificó como positivas, ¿cuántas lo eran realmente?»
• Exhaustividad: mide la cantidad de predicciones positivas. Responde a la pregunta: «De todas las instancias positivas reales, ¿cuántas identificó correctamente el modelo?»

Como suele haber un equilibrio entre ambas —al mejorar la precisión suele disminuir la exhaustividad, y viceversa—, la puntuación F1 sirve como métrica unificada para encontrar un punto de equilibrio óptimo. Esto es fundamental al ajustar modelos mediante la optimización de hiperparámetros para garantizar un rendimiento sólido en condiciones diversas.

Aplicaciones en el mundo real#

La utilidad de la puntuación F1 abarca distintos sectores en los que el coste de los errores es significativo.

• Diagnóstico médico: En la IA aplicada a la salud, especialmente en tareas como la detección de tumores, un falso negativo (no detectar un tumor) puede poner en peligro la vida, mientras que un falso positivo (señalar tejido benigno) causa una ansiedad innecesaria. La puntuación F1 ayuda a los investigadores a optimizar modelos como YOLO26 para garantizar que el sistema sea lo bastante 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 encontrar todos los documentos relevantes (alta exhaustividad), pero no quieren tener que revisar resultados irrelevantes (alta precisión). Una puntuación F1 alta indica que el motor recupera eficazmente la información adecuada sin saturar los resultados.
• Filtrado de spam: Los servicios de correo electrónico utilizan la clasificación de texto para separar el spam. El sistema debe detectar los correos no deseados (exhaustividad), pero, sobre todo, no debe marcar como correo no deseado los mensajes de trabajo importantes (precisión). La puntuación F1 es la principal métrica de referencia para estos filtros.

Cálculo de la puntuación F1 con Ultralytics#

Los marcos modernos de visión artificial simplifican el cálculo de estas métricas. Al entrenar modelos de detección de objetos, la puntuación F1 se calcula automáticamente durante la fase de validación. La plataforma Ultralytics muestra estas métricas en gráficos en tiempo real, lo que permite ver la curva de la puntuación F1 para distintos umbrales de confianza.

Así 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 fundamental para elegir la herramienta adecuada para tu proyecto.

• Diferencia con la exactitud: La exactitud trata todos los errores por igual. La puntuación F1 es más adecuada para los conjuntos de datos desequilibrados porque se centra en el rendimiento de la clase positiva (la clase minoritaria de interés).
• Relación con mAP: La precisión media (mAP) es la métrica estándar para comparar modelos de detección de objetos en todos los umbrales de confianza. Sin embargo, la puntuación F1 suele utilizarse para determinar el umbral de confianza óptimo para el despliegue. Puedes elegir el umbral en el que la curva F1 alcanza su máximo para desplegar tu aplicación.
• Matriz de confusión: La matriz de confusión proporciona los recuentos sin procesar (verdaderos positivos, falsos positivos, etc.) a partir de los cuales se calcula la puntuación F1. Aunque la matriz ofrece detalles pormenorizados, la puntuación F1 proporciona un único valor resumido para comparar rápidamente.
• ROC-AUC: El área bajo la curva (AUC) mide la capacidad de separación en todos los umbrales. Por lo general, se prefiere la puntuación F1 a ROC-AUC cuando la distribución de clases está muy sesgada (por ejemplo, en la detección de fraudes, donde los fraudes son poco frecuentes).

Cómo mejorar tu puntuación F1#

Si tu modelo obtiene una puntuación F1 baja, puedes aplicar varias estrategias. El aumento de datos puede ampliar la variedad de ejemplos positivos y ayudar al modelo a generalizar mejor. El aprendizaje por transferencia a partir de modelos fundacionales robustos permite que la red aproveche características aprendidas previamente. Además, ajustar el umbral de confianza durante la inferencia permite modificar manualmente el equilibrio entre precisión y exhaustividad para maximizar la puntuación F1 en tu caso de uso concreto.