Recall (exhaustividad)

¿Qué es el recall (exhaustividad)?

Imagina que buscas libros de machine learning en una biblioteca enorme. El sistema te devuelve 10, pero en las estanterías siguen otros 40 libros relevantes. El recall mide si lo encontró todo: de todos los documentos realmente relevantes, qué fracción logró devolver el sistema.

¿Cómo se calcula?

Qué va en el numerador y en el denominador
El denominador es el total de documentos relevantes; el numerador, cuántos de esos recuperó el sistema. Divides uno entre el otro y tienes el recall. Si hay 100 artículos relevantes y el sistema encuentra 80, el recall es del 80%.
Forma pareja con la precisión
El recall pregunta «¿me dejé algo?»; la precisión pregunta «¿me equivoqué en algo?». Una mira la exhaustividad, la otra la exactitud, y suelen negociar entre sí.

Por qué importa el recall

En medicina, derecho o análisis de riesgo, dejarse algo cuesta mucho más que devolver unos pocos resultados de más. Un diagnóstico perdido o una prueba pasada por alto pueden ser catastróficos. Por eso en esos campos se prefiere devolver de más antes que de menos: se sube el recall a propósito.

Cómo subir el recall

Afloja la coincidencia
Amplía la búsqueda, admite sinónimos y coincidencias difusas, y recuperarás más contenido relevante.
Recuperación por varias vías
Lanza varias estrategias a la vez —palabras clave, vectores, semántica— y fusiónalas: se reducen mucho los olvidos.
Búsqueda híbrida
Fusiona resultados de palabras clave con resultados vectoriales para lograr amplitud y precisión a la vez.

En resumen: el recall pregunta «¿encontré todo lo que debía?» — decide si te pierdes la señal que importa.