Precision, Recall y F1 para testers: lo que de verdad importa

Precision, recall y F1 son las tres métricas con las que un tester juzga si un modelo de clasificación es realmente bueno, y no solo impresionante en cifras. Precision mide cuántas de las predicciones positivas del modelo fueron correctas. Recall mide cuántos de los casos positivos reales encontró el modelo. F1 combina ambas en una única puntuación equilibrada. Si pruebas sistemas de IA, estas tres cifras dicen mucho más que una sola cifra de accuracy.

Es uno de los temas más evaluados de la certificación ISTQB CT-AI (Certified Tester AI Testing) y una de las habilidades más prácticas para quien prueba funciones de machine learning. Esta guía explica cada métrica desde la óptica del tester, con un ejemplo resuelto que puedes reproducir.

¿Qué es una matriz de confusión?

Una matriz de confusión es una pequeña tabla que compara lo que predijo el modelo con lo que era realmente cierto, para un problema de clasificación. Cada predicción cae en una de cuatro celdas:

• Verdadero Positivo (TP) — predijo positivo y realmente era positivo.

• Falso Positivo (FP) — predijo positivo, pero era negativo (falsa alarma, error de tipo I).

• Falso Negativo (FN) — predijo negativo, pero era positivo (caso no detectado, error de tipo II).

• Verdadero Negativo (TN) — predijo negativo y realmente era negativo.

Cada métrica siguiente es solo un cociente distinto de estos cuatro números. Si entiendes las cuatro celdas, las fórmulas dejan de ser algo que memorizar.

¿Qué es precision?

Precision responde: cuando el modelo dice "positivo", ¿con qué frecuencia acierta? La fórmula es precision = TP / (TP + FP). Una precision baja significa muchas falsas alarmas. Precision importa más cuando actuar ante un falso positivo es caro o molesto: un filtro de spam que aísla facturas reales, o un clasificador de defectos que inunda a los desarrolladores con avisos falsos hasta que dejan de confiar en él.

¿Qué es recall?

Recall responde: de todos los casos que eran realmente positivos, ¿cuántos detectó el modelo? La fórmula es recall = TP / (TP + FN). Un recall bajo significa que se escapan casos reales. Recall importa más cuando un caso no detectado es peligroso o costoso: cribado de enfermedades, detección de fraude o detección de defectos críticos para la seguridad, donde dejar pasar un positivo real es mucho peor que una falsa alarma.

Precision vs. recall: el equilibrio

Precision y recall suelen tirar en direcciones opuestas. Baja el umbral de decisión para que el modelo prediga "positivo" con más facilidad y detectarás más casos reales (sube recall), pero también generarás más falsas alarmas (baja precision). Sube el umbral y mejora precision mientras cae recall. No existe un equilibrio "correcto" único: es una decisión de negocio guiada por el coste de una falsa alarma frente al de un caso no detectado. Como tester, tu trabajo es hacer ese equilibrio explícito y comprobable, no perseguir una sola cifra.

¿Qué es el F1 score?

F1 condensa precision y recall en un único número para comparar modelos con más facilidad. La fórmula es F1 = 2 x (precision x recall) / (precision + recall). Es la media armónica, no el promedio simple, por lo que F1 se mantiene bajo si cualquiera de las dos métricas es baja. Un modelo con 95% de precision pero 10% de recall no obtiene un cómodo 52%: su F1 ronda el 18%. Esa propiedad es justo lo que hace útil a F1 con datos desbalanceados: se niega a premiar a un modelo que hace bien una mitad del trabajo y fatal la otra.

Un ejemplo resuelto

Supongamos que un modelo de predicción de defectos revisa 1.000 cambios de código. Marca 100 como defectuosos; 80 de ellos lo eran realmente (TP) y 20 estaban limpios (FP). Dejó pasar 900 cambios, pero 40 contenían defectos (FN); los 860 restantes estaban realmente limpios (TN). Entonces:

• Precision = 80 / (80 + 20) = 0,80 (80%).

• Recall = 80 / (80 + 40) = 0,667 (alrededor del 67%).

• F1 = 2 x (0,80 x 0,667) / (0,80 + 0,667) = 0,727 (alrededor del 73%).

• Accuracy = (80 + 860) / 1.000 = 0,94 (94%).

El titular del 94% de accuracy parece excelente. Pero el recall es solo del 67%: el modelo se salta en silencio uno de cada tres defectos. Que eso sea aceptable depende por completo de lo que cueste un defecto no detectado. Esa brecha es toda la razón por la que los testers reportan precision y recall, no accuracy sola.

Por qué la accuracy puede engañar: la paradoja de la exactitud

Con conjuntos de datos desbalanceados la accuracy se vuelve activamente engañosa. Imagina un detector de fraude donde solo el 1% de las transacciones son fraudulentas. Un modelo perezoso que predice "no fraude" cada vez logra un 99% de accuracy, y detecta cero fraudes. Su recall es 0% y su F1 es 0%. Esa es la paradoja de la exactitud, y por eso un tester debe preguntar siempre por el balance de clases antes de confiar en una cifra de accuracy. Cuando las clases están desbalanceadas, precision, recall y F1 son las métricas que dicen la verdad.

Qué debe hacer realmente un tester

Probar un clasificador de ML no consiste en recitar estas fórmulas de memoria, sino en hacer las preguntas correctas. Confirma qué clase cuenta como "positiva" y por qué. Comprueba si el conjunto de datos está balanceado. Determina qué error es peor para este producto, un falso positivo o un falso negativo, y verifica que la métrica reportada refleje esa prioridad. Exige una línea base para que una cifra tenga sentido. Y vigila una accuracy sospechosamente alta junto a un recall bajo: esa combinación es una señal clásica de un modelo que luce bien en una diapositiva y falla en producción.

Estas métricas forman parte del panorama más amplio de pruebas de ML que cubre nuestra guía de certificación ISTQB CT-AI; el temario CT-AI v2.0 reorganizó dónde encajan — consulta qué cambió en el temario de 2026. Para practicar el cálculo de precision y recall a partir de una matriz de confusión en condiciones de examen, usa los simulacros CT-AI, donde cada respuesta lleva una justificación completa. Las definiciones siguen el glosario oficial de ISTQB.