¿Qué métricas son las más prioritarias en un gran desequilibrio de clases (99 a 1)?

Cuando hay un desequilibrio severo de clases (por ejemplo, 99 a 1), métricas estándar como la precisión (accuracy) pueden ser engañosas, ya que el modelo puede simplemente predecir la clase mayoritaria y tener una alta precisión.

Métricas prioritarias:

• Precisión y Recall para la clase minoritaria. Recall muestra qué proporción de ejemplos positivos el modelo encontró correctamente, y precisión indica cuán precisas son las predicciones de la clase positiva.
• F1-score — media armónica de precisión y recall, que equilibra ambas.
• ROC-AUC — área bajo la curva ROC, refleja la capacidad del modelo para distinguir entre clases.
• PR-AUC (Precisión-Recall AUC) — especialmente útil en casos de desequilibrio, ya que se centra en la clase minoritaria.

Es importante elegir la métrica adecuada según la tarea: si es crítico no pasar por alto casos positivos, enfóquese en recall; si la precisión es más importante, enfóquese en precisión.