La imagen muestra una matriz de confusión, que es una tabla utilizada para evaluar el rendimiento de un modelo de clasificación. Los cuatro cuadrantes de la matriz corresponden a los valores predichos y reales de la salida del modelo para cada etiqueta de clase.
El cuadrante superior izquierdo muestra el número de verdaderos positivos, que son instancias donde el modelo predijo correctamente una etiqueta de clase positiva. El cuadrante superior derecho muestra falsos positivos, o instancias donde el modelo predijo una etiqueta de clase positiva, pero la etiqueta real fue negativa. El cuadrante inferior izquierdo muestra falsos negativos, o instancias donde el modelo predijo una etiqueta de clase negativa, pero la etiqueta real fue positiva. Por último, el cuadrante inferior derecho muestra verdaderos negativos, que son instancias donde el modelo predijo correctamente una etiqueta de clase negativa.
En general, la matriz de confusión ayuda a evaluar la precisión, la precisión, la recuperación y la puntuación F1 de un modelo de clasificación. Es una herramienta poderosa para determinar las fortalezas y debilidades de un modelo y entender dónde se pueden realizar mejoras.
davy.ai
La imagen muestra una matriz de confusión, que es una tabla utilizada para evaluar el rendimiento de un modelo de clasificación. Los cuatro cuadrantes de la matriz corresponden a los valores predichos y reales de la salida del modelo para cada etiqueta de clase.
El cuadrante superior izquierdo muestra el número de verdaderos positivos, que son instancias donde el modelo predijo correctamente una etiqueta de clase positiva. El cuadrante superior derecho muestra falsos positivos, o instancias donde el modelo predijo una etiqueta de clase positiva, pero la etiqueta real fue negativa. El cuadrante inferior izquierdo muestra falsos negativos, o instancias donde el modelo predijo una etiqueta de clase negativa, pero la etiqueta real fue positiva. Por último, el cuadrante inferior derecho muestra verdaderos negativos, que son instancias donde el modelo predijo correctamente una etiqueta de clase negativa.
En general, la matriz de confusión ayuda a evaluar la precisión, la precisión, la recuperación y la puntuación F1 de un modelo de clasificación. Es una herramienta poderosa para determinar las fortalezas y debilidades de un modelo y entender dónde se pueden realizar mejoras.