El área bajo la curva (Area Under the Curve, AUC) es una métrica para modelos de clasificación, normalmente referida a la curva ROC. Indica lo bien que un modelo separa los casos positivos de los negativos, sin depender de un umbral concreto. Un valor de 1 significa separación perfecta; 0,5 equivale a adivinar. Ejemplo: un modelo de abandono con un AUC de 0,85 considera más arriesgado a un cliente que se va que a uno fiel en el 85 % de los casos.
Agentes, flujos y plantillas en un solo espacio de trabajo – demo gratuita de 24 horas.
Iniciar demoLa curva ROC (receiver operating characteristic) muestra lo bien que un modelo de clasificación separa dos clases. Para cada umbral de decisión posible representa la tasa de verdaderos positivos (recall) frente a la tasa de falsas alarmas. Cuanto más se acerque la curva a la esquina superior izquierda, mejor; la diagonal equivale a adivinar al azar. El área bajo la curva (AUC) la resume en un único número y te ayuda, por ejemplo, a comparar distintos modelos de detección de fraude.
El F-score es una métrica para evaluar modelos de clasificación. La medida F1, la más habitual, es la media armónica entre la precisión (cuántos de los aciertos detectados son correctos) y la exhaustividad o recall (cuántos de los casos reales se encontraron), y va de 0 a 1. Resulta especialmente útil con datos desequilibrados: un filtro antispam que casi nunca marca spam puede tener una exactitud alta pero un F1 bajo.
Una matriz de confusión es una tabla que compara las predicciones de un clasificador con las clases reales. Con dos clases muestra verdaderos positivos, falsos positivos, verdaderos negativos y falsos negativos. A partir de ella se calculan métricas como precisión, exhaustividad y F1, y se ve qué errores se producen. Ejemplo: un filtro antispam que marca muchos correos legítimos como spam tiene muchos falsos positivos, lo que suele costar más que un spam no detectado.
La pérdida logarítmica (log loss) mide hasta qué punto las probabilidades que predice un modelo de clasificación coinciden con los resultados reales. Las predicciones seguras pero erróneas se penalizan con especial dureza; un valor cercano a cero indica pronósticos bien calibrados. Ejemplo: si un modelo da un 95 % de probabilidad de baja a un cliente que se queda, la pérdida sube claramente. Matemáticamente equivale a la entropía cruzada binaria.
