Métricas de Matriz de Confusión
Matriz de Confusión Metrics are a set of métricas de evaluación used to assess the performance of classification models in aprendizaje automático and inteligencia artificial. They provide a comprehensive view of how well a model is performing by breaking down the results into different categories based on the predicted and actual classifications.
Una matriz de confusión en sí misma es una tabla que resume los resultados de un problema de clasificación, mostrando el número de predicciones correctas e incorrectas desglosadas por clase. Los componentes principales de la matriz de confusión incluyen:
- Verdaderos Positivos (TP): The number of instances correctly predicted as positive.
- Verdaderos Negativos (TN): The number of instances correctly predicted as negative.
- Falsos Positivos (FP): The number of instances incorrectly predicted as positive (also known as Type I error).
- Falsos Negativos (FN): The number of instances incorrectly predicted as negative (also known as Type II error).
A partir de estos valores, se pueden derivar varias métricas clave:
- Precisión: The proportion of true results (both true positives and true negatives) among the total number of cases examined.
- Precisión: The ratio of true positives to the sum of true positives and false positives, indicating the accuracy of positive predictions.
- Recordar (Sensibilidad): The ratio of true positives to the sum of true positives and false negatives, reflecting the model’s ability to identify positive instances.
- Puntuación F1: The media armónica de precisión y recall, proporcionando una métrica única que equilibra ambas preocupaciones.
Al analizar estas métricas, los practicantes pueden obtener ideas sobre las fortalezas y debilidades de sus modelos de clasificación, guiando futuras mejoras y ajustes.