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.
Agentes, flujos y plantillas en un solo espacio de trabajo – demo gratuita de 24 horas.
Iniciar demoLa entropía cruzada es una medida de la teoría de la información que indica cuánto se desvía una distribución de probabilidad prevista de la real. En aprendizaje automático es la función de pérdida más habitual para tareas de clasificación y también para modelos de lenguaje que predicen el siguiente token. Penaliza sobre todo las predicciones erróneas hechas con mucha seguridad: asignar un 99 % a la clase equivocada da una pérdida mucho mayor que asignar un 60 %.
La regresión logística es un método estadístico que predice la probabilidad de uno de dos resultados, por ejemplo «compra» o «no compra». Pondera las variables de entrada y convierte su suma en un valor entre 0 y 1 mediante una función en forma de S. Como sus pesos son fáciles de interpretar, se usa mucho en la evaluación de créditos, la medicina y el marketing, a menudo como referencia para modelos más complejos.
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).
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.
