Precisión

La precisión representa una métrica fundamental en el ámbito de la ciencia de datos y la estadística, ya que cuantifica la exactitud de las predicciones positivas de un modelo. predicciones positivas de un modelo. En el contexto del aprendizaje automático (AM), responde específicamente la pregunta: "De todas las instancias que el modelo predijo como positivas, ¿cuántas fueron realmente positivas?". Esta medida es fundamental para evaluar la fiabilidad de un sistema, sobre todo en situaciones en las que se producen falsos positivos (predecir un suceso cuando no se ha producido) conllevan costes o riesgos significativos. Al centrarse en la calidad de los resultados positivos en lugar de en la cantidad, los desarrolladores pueden garantizar que sus agentes de IA actúen con un alto grado de certeza.

La importancia de la precisión en la IA

El valor de la precisión se hace más evidente cuando se consideran las consecuencias de las predicciones incorrectas. Un modelo con precisión genera muy pocas falsas alarmas, lo que significa que cuando señala un elemento o suceso, los operadores humanos pueden confiar en que la detección es legítima. en que la detección es legítima. Esta fiabilidad es vital para aprendizaje automático (AutoML) en los que la intervención humana es mínima. Por el contrario, una precisión baja puede provocar "fatiga de alerta", cuando los usuarios empiezan a ignorar los resultados del sistema debido a la frecuencia de los errores, lo que socava la utilidad de la solución de inteligencia artificial. solución de inteligencia artificial (IA).

Aplicaciones en el mundo real

Para entender cómo afecta esta métrica a las operaciones diarias, considere su papel en diferentes industrias:

• Filtrado de correo basura: En procesamiento del lenguaje natural (PLN) como la detección de spam, la precisión es primordial. Si un correo electrónico legítimo de un jefe o cliente se clasifica erróneamente como spam (un falso positivo), el usuario podría perderse información crítica. como spam (un falso positivo), el usuario podría perderse información crítica. Por eso, los filtros de spam se ajustan para garantizar que los mensajes que se envían a la carpeta de correo no deseado son, casi con total seguridad, basura. Puede aprender más sobre clasificación de textos en las guías estándar de PNL.
• Control de calidad de la fabricación: En entornos de fabricación inteligentes, los modelos inspeccionan las líneas de montaje en busca de defectos. Si un modelo tiene poca precisión, puede marcar como defectuosos productos en perfecto estado. defectuosos. Esto provoca un despilfarro innecesario y un aumento de los costes de producción, ya que los artículos funcionales se descartan o se reelaboran. funcionales. La detección de objetos detección de objetos mediante arquitecturas ayuda a mantener una alta precisión, garantizando que sólo se eliminen los artículos realmente defectuosos.
• Prevención de pérdidas en el comercio minorista: Para AI en el comercio minorista, los sistemas automatizados detect robos en las cajas. Un sistema poco preciso acusaría con frecuencia a compradores honrados de robar, lo que causaría frustración y perjudicaría la experiencia del cliente. frustración y perjudicaría la experiencia del cliente. Una alta precisión garantiza que el personal de seguridad sólo sea alertado cuando existe una alta probabilidad de robo, como se explica en la implementación de sistemas de alarma de seguridad.

Distinción entre precisión y conceptos afines

Es habitual que los recién llegados confundan la precisión con otros indicadores de rendimiento. Diferenciar estos términos es esencial para evaluación de modelos.

• Precisión frente a exactitud: En precisión mide la exactitud global de todas las predicciones (tanto positivas como negativas), puede ser engañosa cuando se trata de conjuntos de datos desequilibrados. conjuntos de datos desequilibrados. Por ejemplo, en un conjunto de datos en el que el 99% de los casos son negativos, un modelo que predice "negativo" todas las veces obtiene una precisión del 99%, pero una precisión del 0% para la clase positiva.
• Precisión frente a recuperación: A menudo existe una relación inversa conocida como precisión-recuerdo. La precisión se centra en la exactitud de las predicciones positivas, La recuperación mide la exhaustividad, es decir,cuántos de los casos positivos reales. Un sistema optimizado exclusivamente para la precisión podría pasar por alto algunos casos positivos reales (menor recall), mientras que uno optimizado para la precisión podría pasar por alto algunos casos positivos reales (menor recall). (menor recall), mientras que uno optimizado para recall podría generar más falsas alarmas (menor precisión).
• Puntuación F1: Para equilibrar estas dos métricas contrapuestas, los científicos de datos suelen utilizar la F1-Score, que es la media armónica de precisión y recuperación. Esto proporciona una única métrica para evaluar el rendimiento del modelo de forma exhaustiva.

Cálculo de la precisión con Ultralytics

En los flujos de trabajo prácticos de visión por ordenador, la medición de la precisión es un paso estándar durante la fase de validación. fase de validación. Los marcos de trabajo modernos como YOLO11 calculan la precisión automáticamente junto con otras métricas como precisión media (mAP ) para ofrecer una visión detallada de lo bien que el modelo localiza y clasifica los cajas delimitadoras.

El siguiente ejemplo muestra cómo validar un modelo y recuperar métricas de precisión utilizando la función ultralytics paquete. Este proceso es crucial a la hora de realizar ajuste de hiperparámetros para mejorar los resultados.

from ultralytics import YOLO

# Load a pre-trained YOLO11 model
model = YOLO("yolo11n.pt")

# Validate the model on the COCO8 dataset
# This calculates Precision, Recall, and mAP based on the validation set
metrics = model.val(data="coco8.yaml")

# Access and print the mean Precision (P) score
print(f"Mean Precision: {metrics.box.mp:.3f}")

En este fragmento, el val() ejecuta la inferencia a través del conjunto de datos, compara las predicciones con la verdad sobre el terrenoy calcula las métricas. El sitio metrics.box.mp contiene específicamente la puntuación media de precisión de todas las clases, lo que le ofrece una rápida de la exactitud del modelo.

Mejorar la precisión de los modelos

Si un modelo muestra baja precisión, sugiere que está "alucinando" objetos que no están ahí. Para los desarrolladores podrían ajustar el umbral de confianza, para que el modelo sólo emita predicciones cuando esté muy seguro. Por otra parte, la creación de un conjunto de datos de alta calidad que incluya ejemplos ejemplos "negativos" difíciles -imágenes que se parecen al objeto de destino pero no lo son- puede ayudar al modelo a aprender a distinguir más eficazmente los verdaderos positivos del ruido de fondo. distinguir los verdaderos positivos del ruido de fondo. También pueden emplearse técnicas como el aprendizaje activo también pueden emplearse para mejorar mejorar el modelo de forma iterativa centrándose en las muestras en las que comete errores.

Para profundizar en la comparación de los distintos modelos en términos de precisión y eficacia, puede consultar las páginas de comparación de modelos de páginas de comparación de modelosUltralytics , que ofrecen de velocidad y precisión en varias arquitecturas.