Dominar el concepto de matriz de confusión permite desarrollar e interpretar las mejores métricas en los modelos de machine learning.

1. MATRIZ DE CONFUSIÓN Y
MÉTRICAS
Facilitador:
Ing. Jairo Acosta Solano

2. MATRIZ DE CONFUSIÓN
Resultado clasificación
MANZANA NO MANZANA
Instancias
reales
MANZANA
Verdaderos
Positivos (TP)
Falsos
Negativos (FN)
NO MANZANA
Falsos Positivos
(FP)
Verdaderos
Negativos (TN)

3. MATRIZ DE CONFUSIÓN
Resultado clasificación
MANZANA NO MANZANA
Instancias
reales
MANZANA TP = 8 FN = 7
NO MANZANA FP = 6 TN = 10

4. MATRIZ DE CONFUSIÓN
Resultado clasificación
MANZANA NO MANZANA
Instancias
reales
MANZANA TP = 12 FN = 3
NO MANZANA FP = 7 TN = 9

5. MÉTRICAS – EXACTITUD (ACCURACY)
Resultado clasificación
MANZANA NO MANZANA
Instancias
reales
MANZANA TP = 8 FN = 7
NO MANZANA FP = 6 TN = 10
Se define como la proximidad entre el
resultado y la clasificación exacta.
𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦 =
𝑇𝑃 + 𝑇𝑁
𝑇𝑃 + 𝐹𝑃 + 𝐹𝑁 + 𝑇𝑁

6. MÉTRICAS – PRECISION (PRECISSION)
Resultado clasificación
MANZANA NO MANZANA
Instancias
reales
MANZANA TP = 8 FN = 7
NO MANZANA FP = 6 TN = 10
Calidad de la respuesta positiva del clasificador
𝑃𝑟𝑒𝑐𝑖𝑠𝑠𝑖𝑜𝑛 =
𝑇𝑃
𝑇𝑃 + 𝐹𝑃

7. MÉTRICAS – SENSIBILIDAD
Resultado clasificación
MANZANA NO MANZANA
Instancias
reales
MANZANA TP = 8 FN = 7
NO MANZANA FP = 6 TN = 10
Eficiencia en la clasificación de los elementos
que son de la clase. Es también conocida como
la tasa de verdaderos positivos (TP Rate).
𝑆𝑒𝑛𝑠𝑖𝑏𝑖𝑙𝑑𝑎𝑑 =
𝑇𝑃
𝑇𝑃 + 𝐹𝑁

8. MÉTRICAS – ESPECIFICIDAD
Resultado clasificación
MANZANA NO MANZANA
Instancias
reales
MANZANA TP = 8 FN = 7
NO MANZANA FP = 6 TN = 10
Eficiencia en la clasificación de los elementos
que NO son de la clase.
𝐸𝑠𝑝𝑒𝑐𝑖𝑓𝑖𝑐𝑖𝑑𝑎𝑑 =
𝑇𝑁
𝑇𝑁 + 𝐹𝑃
La tasa de falsos positivos (FP Rate) es igual al
complementario de la especificidad.
𝐹𝑃 𝑅𝑎𝑡𝑒 = 1 − 𝐸𝑠𝑝𝑒𝑐𝑖𝑓𝑖𝑐𝑖𝑑𝑎𝑑

9. CURVA ROC (Receiver Operating
Characteristic)
Sensibilidad
TP
Rate
1 – Especificidad
FP Rate