F1-Score

Infografía F1-score

⚖️ ¿Cómo equilibrar precisión y recall en tu modelo?

Comparto esta infografía sobre una de las métricas más útiles en clasificación: el F1-score 👇

🧠 Idea clave

El F1-score no mide una sola cosa…
👉 mide el equilibrio entre precisión y recall

🔍 Qué se ve en la imagen

• 📦 Clasificación binaria (Clase A vs. Clase B)
• 🧩 Matriz de confusión: TP, FP, FN, TN
• 📐 Fórmula del F1-score
• ⚖️ Relación entre precisión alta y recall alto
• 📊 Ejemplo práctico aplicado

⚠️ El matiz importante

Un modelo con buen F1-score:

• ✔️ Mantiene un balance entre falsos positivos y falsos negativos
• ❗ Pero puede ocultar desequilibrios si no analizas métricas por separado

👉 F1 alto ≠ modelo perfecto

💡 Cuándo importa de verdad

El F1-score es clave cuando necesitas equilibrio:

• ⚖️ Datasets desbalanceados
• 🚨 Sistemas donde importan ambos errores
• 📊 Evaluación general de modelos de clasificación

💡 Conclusión

El F1-score responde a una pregunta clave:

• 🎯 “¿Qué tan bien equilibro precisión y recall?”

Es una métrica muy útil, pero debe complementarse con otras para entender el comportamiento completo.

Si trabajas con modelos de clasificación, esta métrica te da una visión más equilibrada 👇