Recall

La exhaustividad es la proporción de casos positivos reales que el modelo identifica correctamente. Responde a la pregunta «de todo lo que debería haberse encontrado, ¿cuánto ha encontrado el modelo?» y se calcula dividiendo los verdaderos positivos entre todos los positivos reales: exhaustividad = TP / (TP + FN), donde un falso negativo (FN) es un caso positivo que el modelo no detectó. La exhaustividad va de 0 a 1; una exhaustividad de 0.90 significa que el modelo no detecta 1 de cada 10 positivos. Sensibilidad, tasa de verdaderos positivos (TPR) y tasa de aciertos son sinónimos, y la tasa de omisión, o tasa de falsos negativos, es igual a uno menos la exhaustividad. La exhaustividad es fundamental cuando no detectar algo tiene un coste alto, como un tumor no detectado en una prueba de cribado o un intruso que un sistema de alarma no consigue señalar.

Cómo se calcula la exhaustividad#

La exhaustividad se calcula a partir de dos celdas de la matriz de confusión: los verdaderos positivos y los falsos negativos, que en conjunto abarcan todos los positivos reales. Los falsos positivos y los verdaderos negativos no intervienen en la fórmula, por lo que un modelo que clasifica todo como positivo alcanza una exhaustividad perfecta de 1.0, aunque no sirva para nada. Por tanto, la exhaustividad se presenta junto con la precisión, TP / (TP + FP), que penaliza precisamente esas falsas alarmas. Por ejemplo, un modelo de cribado que señala 90 de 100 tumores en un conjunto de prueba tiene una exhaustividad de 0.90, independientemente de cuántas pruebas de personas sanas señale; la precisión indica cuántas de sus alertas eran correctas.

Con más de dos clases, la exhaustividad se calcula para cada clase, tratándola como positiva y considerando negativas todas las demás; después se promedian los resultados. La exhaustividad macro da el mismo peso a todas las clases, lo que pone de manifiesto el bajo rendimiento en clases poco frecuentes, y en tareas multiclase con una sola etiqueta la exhaustividad micro promediada es igual a la exactitud.

El equilibrio entre precisión y exhaustividad#

La mayoría de los modelos generan una puntuación, y un umbral de decisión la convierte en un sí o un no. Al bajar el umbral, se marcan más casos, lo que aumenta la exhaustividad y normalmente reduce la precisión. El script de scikit-learn siguiente puntúa 15 piezas, 5 de ellas defectuosas, con tres umbrales:

import numpy as np
from sklearn.metrics import precision_score, recall_score

# 5 defective parts (1) and 10 good parts (0), with the model's defect score for each
y_true = np.array([1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0])
scores = np.array([0.95, 0.80, 0.55, 0.40, 0.20, 0.60, 0.35, 0.30, 0.15, 0.10, 0.10, 0.05, 0.05, 0.05, 0.02])

# Lowering the decision threshold flags more parts as defective
for threshold in (0.7, 0.5, 0.3):
    y_pred = scores >= threshold
    recall = recall_score(y_true, y_pred)
    precision = precision_score(y_true, y_pred)
    print(f"threshold {threshold}: recall {recall:.2f}, precision {precision:.2f}")

Con un umbral de 0.7, el modelo encuentra 2 de los 5 defectos sin falsas alarmas: una exhaustividad de 0.40 y una precisión de 1.00. Al bajar el umbral a 0.3, encuentra 4 defectos, con una exhaustividad de 0.80, pero 3 de las 7 piezas señaladas están en buen estado, así que la precisión baja a 0.57. Representar todos los umbrales traza una curva de precisión-exhaustividad, y la puntuación F1 o una puntuación F2 ponderada por la exhaustividad permite elegir un único punto de operación en ella. En YOLO26, el umbral de conf de la predicción establece este equilibrio y, de forma predeterminada, es 0.25: si lo bajas, por ejemplo a conf=0.1, recuperarás objetos menos visibles, más pequeños y parcialmente ocultos, a costa de más detecciones falsas.

Exhaustividad en la detección de objetos#

En la detección de objetos, los positivos son los objetos etiquetados en cada imagen. Un objeto etiquetado solo cuenta como encontrado si una predicción de la misma clase se superpone con él con una intersección sobre unión (IoU) igual o superior a un umbral, a menudo 0.5. Cada predicción solo puede corresponder a un objeto; así, una única caja que cubre a dos personas en una multitud encuentra a una de ellas y la otra se convierte en un falso negativo.

La exhaustividad del detector depende, por tanto, del umbral de confianza, del umbral de IoU y del posprocesamiento. Un umbral de IoU más estricto, como 0.75, reduce la exhaustividad de las cajas colocadas con menos precisión; la supresión no máxima (NMS) puede eliminar cajas correctas en objetos muy solapados, y un límite de detecciones por imagen restringe la exhaustividad en escenas densas. La precisión media (mAP) integra la precisión en todos los niveles de exhaustividad, por lo que cada objeto que el modelo no encuentra la reduce. La evaluación COCO también informa de la exhaustividad media (AR), la exhaustividad máxima alcanzada con un número fijo de detecciones por imagen, promediada en umbrales de IoU de 0.50 a 0.95, como AR@1, AR@10 y AR@100.

Cómo mejorar la exhaustividad#

• Baja el umbral de confianza: La solución más rápida, a costa de una menor precisión.
• Recopila y etiqueta los casos que no detecta: Añade ejemplos de entrenamiento de las situaciones en las que falla el modelo, como objetos pequeños, ocluidos o nocturnos. Revisar los falsos negativos en los datos de validación permite ver cuáles son.
• Aumenta la resolución de entrada: Los objetos pequeños que, a baja resolución, quedan reducidos a unos pocos píxeles se vuelven detectables con una resolución mayor.
• Contrarrestar el desequilibrio entre clases: Las funciones de pérdida, como la pérdida focal, y el sobremuestreo de las clases poco frecuentes evitan que el modelo ignore la clase minoritaria.

Exhaustividad frente a términos relacionados#

• Precisión: La proporción de predicciones positivas que son correctas. La exhaustividad pregunta cuánto del objetivo ha encontrado el modelo, y la precisión pregunta qué proporción de lo que ha encontrado era correcta.
• Especificidad: La tasa de verdaderos negativos, TN / (TN + FP), es decir, la proporción de negativos que se rechazan correctamente. Las pruebas médicas presentan el par como sensibilidad y especificidad.
• Curva de característica operativa del receptor (ROC): Representa la exhaustividad, como tasa de verdaderos positivos, frente a la tasa de falsos positivos para distintos umbrales. El área bajo la curva (AUC) la resume en un solo valor.
• Exactitud: La proporción de todas las predicciones que son correctas. Con un 1 % de positivos, un modelo que siempre predice negativo alcanza una exactitud del 99 % y una exhaustividad del 0 %.