Matriz de confusión

Dominar el concepto de matriz de confusión permite desarrollar e interpretar las mejores métricas en los modelos de machine learning.

1. MATRIZ DE CONFUSIÓN Y MÉTRICAS Facilitador: Ing. Jairo Acosta Solano

2. MATRIZ DE CONFUSIÓN Resultado clasificación MANZANA NO MANZANA Instancias reales MANZANA Verdaderos Positivos (TP) Falsos Negativos (FN) NO MANZANA Falsos Positivos (FP) Verdaderos Negativos (TN)

3. MATRIZ DE CONFUSIÓN Resultado clasificación MANZANA NO MANZANA Instancias reales MANZANA TP = 8 FN = 7 NO MANZANA FP = 6 TN = 10

4. MATRIZ DE CONFUSIÓN Resultado clasificación MANZANA NO MANZANA Instancias reales MANZANA TP = 12 FN = 3 NO MANZANA FP = 7 TN = 9

5. MÉTRICAS – EXACTITUD (ACCURACY) Resultado clasificación MANZANA NO MANZANA Instancias reales MANZANA TP = 8 FN = 7 NO MANZANA FP = 6 TN = 10 Se define como la proximidad entre el resultado y la clasificación exacta.  

6. MÉTRICAS – PRECISION (PRECISSION) Resultado clasificación MANZANA NO MANZANA Instancias reales MANZANA TP = 8 FN = 7 NO MANZANA FP = 6 TN = 10 Calidad de la respuesta positiva del clasificador  

7. MÉTRICAS – SENSIBILIDAD Resultado clasificación MANZANA NO MANZANA Instancias reales MANZANA TP = 8 FN = 7 NO MANZANA FP = 6 TN = 10 Eficiencia en la clasificación de los elementos que son de la clase. Es también conocida como la tasa de verdaderos positivos (TP Rate).  

8. MÉTRICAS – ESPECIFICIDAD Resultado clasificación MANZANA NO MANZANA Instancias reales MANZANA TP = 8 FN = 7 NO MANZANA FP = 6 TN = 10 Eficiencia en la clasificación de los elementos que NO son de la clase.   La tasa de falsos positivos (FP Rate) es igual al complementario de la especificidad.  

9. CURVA ROC (Receiver Operating Characteristic ) Sensibilidad TP Rate 1 – Especificidad FP Rate