En problemas de clasificación supervisados, la evaluación del rendimiento de un modelo es esencial. Las métricas como precisión, memoria y puntuación F1 proporcionan información sobre lo bien que el modelo predice diferentes clases. Entender cómo calcular estas métricas ayuda a seleccionar y ajustar modelos de manera efectiva.

Precisión

La precisión mide la proporción de predicciones positivas que son correctas. Se calcula como el número de verdaderos positivos divididos por la suma de verdaderos positivos y falsos positivos.

La fórmula de precisión es:

Precisión = Positivos Verdaderos / (Positivos Verdaderos + Positivos Falsos)]

Recibido

Recordar, también conocido como sensibilidad, mide la proporción de los positivos reales que están correctamente identificados. Se calcula como el número de los positivos verdaderos dividido por la suma de los positivos verdaderos y los falsos negativos.

La fórmula para recordar es:

Recall = True Positives / (True Positives + False Negatives)

F1 Score

La puntuación F1 combina precisión y recuerda en una sola métrica calculando su significado armónico. Proporciona una medida equilibrada, especialmente cuando la distribución de clases es desigual.

La fórmula para la puntuación F1 es:

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

Resumen

  • La precisión indica la exactitud de las predicciones positivas.
  • Recordar mide la capacidad de identificar todos los casos positivos.
  • La puntuación F1 equilibra la precisión y recuerda en una sola métrica.