Artículo
Especificidad
Infografía de especificidad
🛡️ ¿Qué tan bien evita errores tu modelo?
Comparto esta infografía sobre una métrica menos comentada, pero muy relevante en clasificación: la especificidad (specificity) 👇
🧠 Idea clave
La especificidad no mide los aciertos generales…
👉 mide qué tan bien identificas los negativos correctamente
🔍 Qué se ve en la imagen
- 📦 Clasificación binaria (Clase A vs. Clase B)
- 🧩 Matriz de confusión: TN, FP, TP, FN
- 📐 Fórmula de specificity
- ⚖️ Impacto del umbral de decisión
- 📊 Ejemplo práctico aplicado
⚠️ El matiz importante
Un modelo con alta especificidad:
- ✔️ Reduce falsos positivos
- ❗ Puede aumentar falsos negativos
👉 Especificidad alta ≠ detección completa
💡 Cuándo importa de verdad
La especificidad es clave cuando el coste de un falso positivo es alto:
- 📩 Filtros de spam (no bloquear correos válidos)
- 💳 Sistemas antifraude (evitar falsas alarmas)
- ⚙️ Sistemas automatizados críticos
💡 Conclusión
La especificidad responde a una pregunta concreta:
- 🎯 “De todos los casos negativos… ¿cuántos he clasificado correctamente?”
Debe analizarse junto con recall para entender el equilibrio del modelo.
Si trabajas con modelos de clasificación, esta métrica completa la foto 👇
