# Precisión, recall y F1 en IA: qué significan

> Precisión, recall y F1 describen errores distintos de un modelo. Esta guía explica la matriz de confusión, el umbral y cómo elegir métricas según el costo de cada decisión.

- URL canónica: https://visteesto.com/nota/precision-recall-f1-ia-que-significan
- Autor: [Martin Rodriguez](https://visteesto.com/autor/martin-rodriguez)
- Publicado: 2026-10-03T09:00:00.000Z
- Actualizado: 2026-10-03T09:00:00.000Z
- Sección: Tecnología
- Tema: metricas-clasificacion-ia
- Idioma: es
- Consulta principal: qué significan precision recall y f1 en IA

## Resumen verificable

- Precisión mide la fracción de positivos predichos que son verdaderos positivos; recall mide la fracción de positivos reales que el modelo encontró. ([evidencia](https://developers.google.com/machine-learning/crash-course/classification/accuracy-precision-recall))
- Cambiar el umbral modifica el equilibrio entre precisión y recall. ([evidencia](https://scikit-learn.org/stable/modules/model_evaluation.html))
- F1 combina precisión y recall mediante su media armónica. ([evidencia](https://scikit-learn.org/stable/modules/model_evaluation.html))
- TensorFlow ofrece una métrica Precision configurable por umbral. ([evidencia](https://www.tensorflow.org/api_docs/python/tf/keras/metrics/Precision))

## Aporte editorial de VisteEsto

VisteEsto conecta la matriz de confusión con decisiones prácticas: umbral, costos de error, equilibrio F1 y clases desbalanceadas.

## Qué miden precisión y recall

En un clasificador, precisión responde cuántos de los casos marcados como positivos eran realmente positivos. Recall, también llamado sensibilidad, responde cuántos de los positivos que existían logró encontrar el modelo. Las dos métricas usan la matriz de confusión, que separa aciertos y errores.

Un modelo puede tener precisión alta y recall bajo si solo se anima a marcar casos muy seguros. También puede encontrar casi todos los positivos a costa de generar más falsos positivos. Mirar una sola cifra oculta ese intercambio.

## Dónde entra el umbral de decisión

Muchos clasificadores producen una probabilidad o puntuación y luego aplican un umbral para decidir la etiqueta. Bajar el umbral suele recuperar más positivos y subir el recall, pero también puede aumentar falsos positivos y reducir la precisión. El valor correcto depende del costo de cada error.

La curva precision-recall muestra cómo cambia esa relación cuando se prueban distintos umbrales. En un filtro de fraude, por ejemplo, puede ser preferible investigar más casos antes que dejar pasar una operación riesgosa; en una alerta automática, demasiados falsos positivos pueden hacer que la gente ignore el sistema.

## Qué es el puntaje F1

El puntaje F1 resume precisión y recall mediante su media armónica. Solo alcanza un valor alto cuando las dos métricas son razonables, por eso resulta útil cuando se busca un equilibrio y no hay una prioridad clara entre falsos positivos y falsos negativos.

F1 no reemplaza a las métricas separadas. Dos modelos pueden compartir el mismo F1 y comportarse de manera distinta: uno puede tener más precisión y menos recall, y otro el patrón inverso. La decisión debe mostrar qué errores importan para la tarea.

## Cómo elegir una métrica para una IA

Primero definí qué significa un positivo y qué consecuencia tiene cada error. Después separá datos de entrenamiento, validación y prueba, elegí un umbral con datos que no se usen para medir el resultado final y reportá la matriz de confusión junto con precisión, recall y F1 cuando corresponda.

La exactitud puede parecer alta si una clase es muy frecuente, aunque el modelo ignore la clase minoritaria. En esos casos conviene mirar métricas por clase, el soporte y la curva precision-recall. La métrica sirve para comparar decisiones concretas, no para declarar que una IA “entiende” el problema.

## Fuentes consultadas

- Fuente primaria: [Google ML Crash Course: accuracy, precision and recall](https://developers.google.com/machine-learning/crash-course/classification/accuracy-precision-recall)
- Fuente primaria: [scikit-learn: model evaluation](https://scikit-learn.org/stable/modules/model_evaluation.html)
- Fuente primaria: [TensorFlow: Precision metric](https://www.tensorflow.org/api_docs/python/tf/keras/metrics/Precision)

## Imágenes y licencias

- Diagrama editorial de precisión, recall y F1 para evaluar una IA. Autor: VisteEsto. Licencia: [VisteEsto editorial](https://visteesto.com/terminos). [Origen](https://visteesto.com/nota/precision-recall-f1-ia-que-significan).
- Matriz de confusión con positivos, negativos y errores de un clasificador. Autor: VisteEsto. Licencia: [VisteEsto editorial](https://visteesto.com/terminos). [Origen](https://visteesto.com/nota/precision-recall-f1-ia-que-significan).
- Umbral de decisión y equilibrio entre precisión y recall. Autor: VisteEsto. Licencia: [VisteEsto editorial](https://visteesto.com/terminos). [Origen](https://visteesto.com/nota/precision-recall-f1-ia-que-significan).

## Cómo citar

Citar título, autor, fecha de publicación o actualización y la URL canónica. Las afirmaciones centrales incluyen su evidencia directa arriba. Esta versión Markdown es una representación accesible; la nota HTML canónica es la fuente editorial de referencia.