Glosario

Matriz de confusión

¿Qué es Matriz de confusión?

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.

Temas

Evaluación de modelos
Clasificación
Métricas

Probar KI.ordo

Agentes, flujos y plantillas en un solo espacio de trabajo – demo gratuita de 24 horas.

Iniciar demo

← Todos los términos

Términos relacionados

F-score (medida F1)

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.

Métrica de evaluación
Clasificación
+1

Recall en aprendizaje automático

El recall (exhaustividad o sensibilidad) mide qué parte de los casos realmente positivos detecta un modelo: positivos acertados divididos entre todos los positivos reales. Si un filtro antifraude detecta 80 de 100 fraudes reales, su recall es 0,8. Un recall alto importa cuando los casos que se escapan salen caros, como en diagnósticos médicos. Como no tiene en cuenta las falsas alarmas, suele analizarse junto con la precisión, por ejemplo en el F-score.

métrica
evaluación de modelos
+1

Clasificador

Un clasificador es un modelo o método que asigna una entrada a una de varias categorías predefinidas. Las variantes clásicas, como los árboles de decisión o Naive Bayes, se entrenan con ejemplos etiquetados; los modelos de lenguaje también pueden clasificar textos a partir de una descripción de las categorías. Usos típicos son detectar spam, ordenar consultas de clientes por tema o clasificar justificantes. La calidad se mide con métricas como exactitud, precisión y exhaustividad (recall).

Clasificación
Aprendizaje automático
+1

Plantilla

Curva ROC

La 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.

métrica
evaluación de modelos
+1