Las métricas de matriz de confusión son herramientas esenciales para evaluar el rendimiento de clasificadores supervisados. Proporcionan información detallada sobre lo bien que un modelo predice diferentes clases y ayudan a identificar áreas para mejorar.

Comprender la matriz de confusión

La matriz de confusión es una tabla que resume los resultados de la predicción de un modelo de clasificación. Muestra los recuentos de los verdaderos positivos, verdaderos negativos, falsos positivos y falsos negativos. Estos valores forman la base para calcular diversas métricas de rendimiento.

Metriz clave derivada de la matriz de confusión

Se pueden calcular varias métricas para evaluar la eficacia de un clasificador:

  • Precisión: La proporción de las predicciones correctas de todas las predicciones.
  • Precisión: La proporción de verdaderas predicciones positivas entre todas las predicciones positivas.
  • Recall: La proporción de los positivos reales correctamente identificados por el modelo.
  • F1 Puntuación:] La media armónica de precisión y memoria, equilibrando ambas métricas.

Cálculo de las métricas

Las métricas se calculan utilizando las siguientes fórmulas:

Precisión = (TP + TN) / (TP + TN + FP + FN)

Precisión = TP / (TP + FP)

Recordar = TP / (TP + FN)

F1 Puntuación = 2 * (Precisión * Recordar) / (Precisión + Recordar)