Los sistemas de aprendizaje supervisados se evalúan utilizando varias métricas para determinar su eficacia. Dos métricas comunes son precisión y precisión. Entender cómo calcular estas métricas es esencial para evaluar el rendimiento de los modelos.

Cálculo de la precisión

La precisión mide la proporción de las predicciones correctas hechas por el modelo de todas las predicciones. Se calcula utilizando la fórmula:

Precisión = (Número de Predicciones Corregidas) / (Número total de Predicciones)]

Por ejemplo, si un modelo predice correctamente 90 de 100 casos, la precisión es de 0,9 o 90%.

Cálculo de la precisión

La precisión se centra en las predicciones positivas hechas por el modelo. Indica cuántos de los positivos predichos son positivos reales. La fórmula es:

Precisión = (True Positives) / (True Positives + False Positives)

Por ejemplo, si un modelo predice 50 positivos, y 40 de ellos son correctos, la precisión es 0.8 o 80%.

Resumen de las medidas de cálculo

  • Identificar el número total de predicciones y predicciones correctas para la exactitud.
  • Contar verdaderos positivos y falsos positivos para la precisión.
  • Aplica las fórmulas para calcular cada métrica.