Falso positivo (False positive)
NATURALEZA
No es un concepto de IA propiamente dicho, puesto que se encuadra dentro de los modelos de clasificación que se estudian y desarrollan en el campo de la estadística. Sin embargo, es importante para comprender sistemas de IA pues el trabajo de estos en muchas ocasiones tiene por objeto dar como respuesta una clasificación (por ejemplo, ser capaz de etiquetar imágenes en categorías de perros y gatos).
CONCEPTO
Caso en que el modelo (esto es, en general, cualquier construcción matemática que procesa datos de entrada y devuelve resultados)predice erróneamente la clase positiva. Con clase nos referimos a una categoría de un modelo de clasificación binario que etiquetamos como“positivo” o “negativo”. Por ejemplo, en un modelo que clasifica correos electrónicos según sean o no spam, nuestra clase positiva es que SÍ que sea spam. Por lo tanto, un falso positivo se refiere a que el modelo predice que un correo es spam cuando realmente NO lo es.
En resumen: Cuando el resultado predicho es positivo pero el real pertenece a la clase negativa.
Conceptos relacionados: falso negativo, modelo de clasificación (en contraposición con modelos de regresión), que pueden ser binarios o multiclase.
IMPORTANCIA
El concepto de “falso positivo” se relaciona directamente con el error de los modelos. Por lo tanto, da una muestra de la precisión con la que funciona. La idea es que los modelos cada vez se ajusten más y reduzcan los errores.
USOS Y RIESGOS
Un modelo de IA con muchos falsos positivos genera predicciones defectuosas. Por ello toda herramienta ha de contar con mecanismos que supervisen la generación y cuantificación de este tipo de errores y evalúen su efecto en el funcionamiento general de la herramienta.
AUTORES
Javier Dionis Baeza
