Un modelo de diagnóstico médico fue entrenado con un conjunto de datos desequilibrado donde los pacientes sanos superan en número a los pacientes enfermos. Los falsos positivos (etiquetar incorrectamente a pacientes sanos como enfermos) aumentan los costos de la empresa. ¿Qué métrica refleja mejor el rendimiento del modelo dada esta preocupación?

La precisión (Precision) es la métrica más adecuada porque se enfoca en la proporción de verdaderos positivos entre todas las predicciones positivas. En este escenario, un falso positivo (etiquetar a un paciente sano como enfermo) es costoso. Maximizar la precisión significa minimizar los falsos positivos, lo cual es crucial para reducir los costos asociados con diagnósticos incorrectos. Recall (Sensibilidad) mide la proporción de verdaderos positivos detectados de todos los positivos reales, lo que es importante para no pasar por alto a los enfermos, pero no aborda directamente el costo de los falsos positivos. F1-score es el promedio armónico de precisión y recall, útil cuando ambas métricas son importantes, pero no prioriza la reducción de falsos positivos como lo hace la precisión. Accuracy (Exactitud) puede ser engañosa en conjuntos de datos desequilibrados, ya que un modelo que predice predominantemente la clase mayoritaria (sanos) puede tener una alta exactitud sin ser útil para identificar la clase minoritaria (enfermos).