Métricas de Evaluación de IA

El Error Absoluto mide la diferencia entre un valor predicho y el valor real, indicando la precisión de un modelo.

El Criterio de Información de Akaike (AIC) ayuda a evaluar la calidad de los modelos estadísticos.

La pérdida asimétrica se refiere a una función de pérdida que penaliza los errores de manera diferente según su tipo o severidad en modelos predictivos.

Average Precision Score measures the accuracy of a model's predictions in classification tasks, balancing precision and recall.

La precisión de referencia es la precisión mínima que un modelo debe lograr para considerarse efectivo.

El Criterio de Información de Bayes (BIC) es una herramienta estadística utilizada para la selección de modelos.

BERTScore es una métrica de evaluación para el procesamiento del lenguaje natural que utiliza incrustaciones de BERT para evaluar la similitud del texto.

La métrica Bleu Score evalúa la calidad del texto generado por máquina en comparación con textos de referencia.

La puntuación Brier mide la precisión de las predicciones probabilísticas, cuantificando las diferencias cuadráticas medias entre resultados predichos y reales.

La puntuación CIDEr es una métrica para evaluar modelos de generación de subtítulos de imágenes basada en el consenso con subtítulos generados por humanos.

La evaluación comparativa valora el rendimiento de los sistemas de IA comparándolos entre sí usando métricas definidas.

Los límites de confianza son límites estadísticos que cuantifican la incertidumbre en predicciones o estimaciones.

A Confidence Score quantifies the certainty of an AI model's predictions.

Las métricas de la Matriz de Confusión evalúan el rendimiento de modelos de clasificación usando indicadores clave como precisión, exactitud, recall y puntuación F1.

Una métrica de divergencia cuantifica la diferencia entre dos distribuciones de probabilidad en aprendizaje automático.

Earth Mover's Distance (EMD) quantifies the difference between two probability distributions over a region.

The Epistemic Humility Score measures an AI's ability to recognize and express uncertainty in its knowledge.

La Tasa de Error Igual (EER) es una métrica utilizada para evaluar el rendimiento de los sistemas biométricos.

La Medida F (F-Measure) es una métrica utilizada para evaluar el rendimiento de modelos de clasificación, equilibrando precisión y recuperación.

La puntuación F (F-Score) es una medida estadística utilizada para evaluar la precisión de modelos de clasificación binaria.

La Tasa de Aceptación Falsa (False Acceptance Rate) mide la probabilidad de que un sistema identifique incorrectamente a un usuario no autorizado como autorizado.

La Tasa de Descubrimiento Falso (False Discovery Rate - FDR) es la proporción de falsos positivos entre todos los resultados positivos en pruebas de hipótesis estadísticas.

Un falso negativo (False negative) ocurre cuando una prueba indica incorrectamente que no hay presencia de una condición que en realidad está presente.

The False Positive Rate measures the proportion of incorrect positive predictions in a model's output.

La Tasa de Rechazo Falso (FRR) mide el porcentaje de usuarios no autorizados que son aceptados incorrectamente por un sistema.

El Error de Pronóstico se refiere a la diferencia entre los valores predichos y los reales en modelos predictivos.

La Distancia de Inception de Fréchet (FID) mide la calidad de las imágenes generadas comparando su distribución con la de imágenes reales.

La Pérdida de Hamming mide la fracción de etiquetas incorrectas en tareas de clasificación multietiqueta.