Glosario

Curva ROC

¿Qué es 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.

Temas

métrica
evaluación de modelos
clasificación

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

Área bajo la curva (AUC)

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.

Métrica de evaluación
ROC
+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

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.

Evaluación de modelos
Clasificación
+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