Cómo funciona
La exactitud se calcula como: (predicciones correctas) / (total de predicciones). Si un modelo acierta 90 de 100 predicciones, la exactitud es 90%.
La fórmula parece simple, pero tiene una trampa: en datasets desbalanceados, la exactitud puede ser alta aunque el modelo sea malo. Imagina un detector de fraude donde el 99% de las transacciones son legítimas. Un modelo que siempre dice "legítimo" tiene 99% de exactitud, pero no detecta ningún fraude.
Por eso, la exactitud se usa junto con otras métricas: precisión, recall, F1-score y matriz de confusión. Cada una revela un aspecto diferente del desempeño.
Ejemplo práctico
Un modelo de clasificación de correos como spam o no spam se prueba con 1000 correos (500 spam, 500 no spam). Acierta 450 spam y 480 no spam, totalizando 930 aciertos. Exactitud = 93%.
Pero si el dataset tuviera 950 no spam y 50 spam, y el modelo acertara todos los no spam y ningún spam, la exactitud sería 95%, aunque el modelo sea inútil para detectar spam. Ese es el problema del desbalanceo.
Para qué sirve
Sirve como métrica inicial e intuitiva de desempeño. Es útil cuando las clases están balanceadas y el costo del error es similar para todas las clases. En casos desbalanceados, debe complementarse con otras métricas.
Diferencia entre exactitud y precisión
La exactitud mide los aciertos totales (correctos / total). La precisión mide, entre las predicciones positivas, cuántas son realmente positivas (verdaderos positivos / (verdaderos positivos + falsos positivos)). La exactitud mira el todo; la precisión se enfoca en los aciertos de la clase positiva.