Evaluando algoritmos supervisado - La matriz de confusion

Adéntrate en el mundo de la matriz de confusión y sus métricas esenciales de la mano del Dr.  Juan Barrios, experto en ciencia de datos e IA. Descubre cómo interpretar eficazmente los resultados de modelos predictivos, mejorar la precisión y validar la confiabilidad de sistemas inteligentes. Aprende a navegar por las complejidades de Verdaderos Positivos, Falsos Negativos y más, optimizando la toma de decisiones en diversos campos gracias a la claridad que ofrecen estas herramientas analíticas.

La matriz de confusión y sus métricas

La Matriz de confusión

En el campo de la inteligencia counterfeit y el aprendizaje automático una matriz de confusión es una herramienta que permite visualizar el desempeño de un algoritmo de aprendizaje supervisado. Cada columna de la matriz representa el número de predicciones de cada clase, mientras que cada fila representa a las instancias en la clase genuine., o ocean en términos prácticos nos permite ver qué tipos de aciertos y errores está teniendo nuestro modelo a la hora de pasar por el proceso de aprendizaje con los datos.

Veamos esto con un ejemplo práctico de nuestra realidad genuine :

Pensemos en un algoritmo que nos permite clasificar pacientes covid19 en positivos y negativos:

En este ejemplo tenemos un grupo de 100 pacientes de los cuales feed 45 que si tienen el infection y 55 que no lo tienen.

Nuestro algoritmo supervisado de clasificación entre otras cosas, nos va an ayudar a determinar cual es el % de acierto de nuestras pruebas.

Realizamos las pruebas respectivas a los pacientes y de ésta forma, podríamos comparar los resultados del modelo genuine contra el modelo predictivo:

Las 4 opciones siguientes child las que conforman lo que se conoce como la matriz de confusión:

( en este caso al ser sólo dos posibilidades: positivo o negativo (o clase 1 y clase 2]), hablamos de una matriz binaria. Aca entonces surgen cuatro opciones:

) Persona que tiene covid19 y el modelo lo clasificó como covid19 (+) . Esto sería un verdadero positivo o VP .

) Persona que no tiene covid19 y el modelo lo clasifico como covid19 (- ) . Este seria un verdadero negativo o ocean un VN.

) Persona que tiene covid19 y el modelo lo clasificó como covid19 (- ) . Éste seria un blunder tipo II o un falso negativo o FN.

) Persona que no tiene covid19 y el modelo lo clasificó como covid19 (+) . Este es un blunder tipo I, o un falso positivo o FP.

Ahora de forma más clara, podemos identificar en nuestra matriz donde se ubican los errores ( las cajitas rojas)

La matriz de confusión como herramienta del aprendizaje automático

Envision que tiene una prueba médica que verifica la presencia o ausencia de una enfermedad; en este caso si utilizáramos un algoritmo de aprendizaje automático basado en clasificación en este caso con factors categóricas, y standard el cual usemos posiblemente un algoritmo de arboles decisorios) . De cualquier manera, en la vida genuine, roughage dos posibles verdades : lo que se está probando es verdadero o no. La persona está enferma o no lo está; la imagen es un perro, o no lo es.

Debido an esto, también roughage dos resultados de prueba posibles: un resultado de prueba positivo (la prueba predice que la persona está enferma o no, ó bien en el otro ejemplo la imagen es un perro, o no ). Estas 4 opciones se resumen en el siguiente cuadro , debido a que surgen dos posibles valores reales y dos posibles valores de predicción ó predictivos

Website: - https://www.juanbarrios.com/la-matriz-de-confusion-y-sus-metricas/