Evaluación del rendimiento del modelo: cálculo de la precisión, la precisión y el recuerdo en el aprendizaje supervisado

Evaluar el rendimiento de los modelos de aprendizaje automático es esencial para comprender su eficacia. En el aprendizaje supervisado, se utilizan métricas como la precisión, la precisión y la memoria para medir la eficacia de un modelo que predice los resultados.

Precisión

La precisión mide la proporción de las predicciones correctas de todas las predicciones hechas. Se calcula dividiendo el número de predicciones correctas por el número total de predicciones.

Aunque la precisión es útil, puede ser engañosa en conjuntos de datos desbalanzados donde domina una clase. En tales casos, otras métricas proporcionan mejores ideas sobre el rendimiento de los modelos.

Precisión y revocación

La precisión indica la proporción de verdaderas predicciones positivas entre todas las predicciones positivas hechas por el modelo. Refleja la capacidad del modelo para evitar falsos positivos.

Recordar, también conocido como sensibilidad, mide la proporción de positivos reales correctamente identificados por el modelo. Muestra lo bien que el modelo detecta casos positivos.

Calculando la Métula

Estas métricas se derivan de la matriz de confusión, que resume los verdaderos positivos (TP), falsos positivos (FP), verdaderos negativos (TN), y falsos negativos (FN).

Fórmulas: