Calculadora de Matriz de Confusión
Analiza el rendimiento de modelos de clasificación con métricas de matriz de confusión
Esta calculadora te ayuda a evaluar el rendimiento de modelos de clasificación utilizando métricas de matriz de confusión:
- Ingresa los cuatro valores básicos de la matriz de confusión:
- Verdaderos Positivos (VP): Casos positivos correctamente predichos
- Verdaderos Negativos (VN): Casos negativos correctamente predichos
- Falsos Positivos (FP): Casos incorrectamente predichos como positivos
- Falsos Negativos (FN): Casos incorrectamente predichos como negativos
- La calculadora computará:
- Exactitud: Predicciones correctas totales
- Precisión: Valor predictivo positivo
- Sensibilidad: Tasa de verdaderos positivos
- Puntuación F1: Media armónica de precisión y sensibilidad
- Especificidad: Tasa de verdaderos negativos
- Tasas de Falsos Positivos y Negativos
Métricas clave y sus fórmulas:
- Exactitud = (VP + VN) / (VP + VN + FP + FN)
Mide las predicciones correctas en todas las clases
- Precisión = VP / (VP + FP)
Cuántos de los predichos como positivos son realmente positivos
- Sensibilidad = VP / (VP + FN)
Cuántos de los positivos reales son correctamente identificados
- Puntuación F1 = 2 × (Precisión × Sensibilidad) / (Precisión + Sensibilidad)
Media armónica que equilibra precisión y sensibilidad
- Especificidad = VN / (VN + FP)
Cuántos de los negativos reales son correctamente identificados
Las matrices de confusión se utilizan en varios campos:
- Evaluación de modelos de aprendizaje automático
- Pruebas de diagnóstico médico
- Sistemas de control de calidad
- Detección de fraude
- Filtrado de spam
- Clasificación de imágenes
- Procesamiento de lenguaje natural
¿En qué métrica debo enfocarme?
Depende de tu aplicación. Usa la exactitud para conjuntos de datos balanceados, la precisión cuando los falsos positivos son costosos, la sensibilidad cuando los falsos negativos son costosos, y la puntuación F1 cuando necesitas un equilibrio entre precisión y sensibilidad.
¿Cuál es la diferencia entre exactitud y precisión?
La exactitud mide las predicciones correctas totales (tanto positivas como negativas), mientras que la precisión se centra solo en la exactitud de las predicciones positivas. Una alta exactitud no siempre significa una alta precisión, especialmente con conjuntos de datos desbalanceados.
¿Cuándo debo usar la puntuación F1?
Usa la puntuación F1 cuando necesites una métrica única que equilibre precisión y sensibilidad, especialmente con conjuntos de datos desbalanceados. Es particularmente útil cuando tanto los falsos positivos como los falsos negativos tienen costos similares.