Una empresa debe recalibrar un clasificador binario para maximizar las predicciones correctas tanto para las clases positivas como para las negativas. ¿Qué métrica de evaluación debería usar el ingeniero de ML para esta recalibración?

La exactitud (Accuracy) es la métrica más adecuada cuando se busca maximizar las predicciones correctas tanto para las clases positivas como para las negativas, ya que mide la proporción de predicciones correctas totales (verdaderos positivos + verdaderos negativos) sobre el número total de predicciones. La precisión (Precision) se enfoca solo en la exactitud de las predicciones positivas. El recall (Recall) se enfoca solo en la capacidad de encontrar todas las instancias positivas. La especificidad (Specificity) se enfoca en la capacidad de identificar correctamente las instancias negativas. Aunque estas métricas son importantes, no proporcionan una visión equilibrada del rendimiento general del modelo en ambas clases como lo hace la exactitud cuando ambas clases son igualmente importantes.