Un clasificador puede cometer dos errores distintos con la clase positiva. Un falso positivo lanza una alerta en un caso negativo. Un falso negativo deja escapar un caso positivo. La exactitud cuenta las predicciones correctas de todas las filas, lo que puede ocultar un resultado flojo en la clase positiva cuando los negativos son habituales.
La precisión pregunta cuántas alertas eran correctas. La sensibilidad (recall) pregunta cuántos casos positivos reales se encontraron. F1 combina precisión y sensibilidad mediante su media armónica. La métrica adecuada depende de lo que el equipo necesita controlar, y ninguna te dice si una estimación de probabilidad está bien calibrada. En estas tareas, usa la clase 1 como resultado positivo. Cuando un denominador es cero, la política zero_division solicitada deja explícito el resultado y evita que un valor indefinido descarrile el análisis.
La exactitud cuenta las etiquetas correctas de todas las filas. Puede ocultar positivos no detectados cuando domina la clase negativa.