No tienes acceso a esta clase

¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera

Métricas de desempeño: regresión y clasificación

14/22
Recursos

Aportes 10

Preguntas 0

Ordenar por:

¿Quieres ver más aportes, preguntas y respuestas de la comunidad?

Existen diferencias entre precision y accuracy.

En cosine proximity muchos se preguntaran porque coseno y no seno a pesar de que ambos van de -1 a 1( -1<=cos(x)<=1,-1<=sen(x)<=1), esto seria mucho mejor verlo en la grafica de la funcion coseno.Se podran fijar que de 0° a 180°(pi) mientras el angulo disminuye el coseno aumenta, es decir, mientras mas cercanos o mas parecidos sean los vectores mayor sera el coseno y mayor sera tu accuracy.Esto hace del CP una buena metrica de desempeño.
Por cierto la formula sale de esto:
A.B = cos(x)|A||B|, es del producto punto de dos vectores.

Conclusión.

Accuracy = VP + VN / (VP + VN +FN + FP)

precision = VP / (VP + FP )

Recall = VP / (VP + VN)

https://fayrix.com/machine-learning-metrics_es, en la pagina hay mas informacion de las metricas

En resumen, en el ejemplo del diagnóstico las métricas responden a las siguientes preguntas:

  • accuracy: ¿cuantos diagnósticos correctos se obtuvieron en total?

  • precisión: de las personas que fueron diagnósticadas con cancer, ¿cuantas de ellas sí realmente tenían cancer?

  • recall (o sensibilidad): de las personas que sí tenian cáncer, ¿cuantas de ellas fueron correctamente diagnosticadas?

  • F1-score: es la media armónica entre la precisión y el recall, brinda como una especie de balance entre precisión y sensibilidad.

    De acuerdo a los resultados obtenidos en el ejercicio, entonces:

  • un accuracy de 0.9 (90%) significa que 1 de cada 10 pacientes fue diagnósticado incorrectamente.

  • una precisión de 0.67 (67%) significa que aproximadamente 7 de cada 10 pacientes diagnósticados con cáncer tienen cancer.

  • una sensibilidad de 0.8 (80%) significa que 2 de cada 10 pacientes fueron diagnósticados sin cancer, cuando en realidad lo tienen.

    Para complementar dejo este artículo en el cual se describe en términos generales cual métrica usar dependiendo del caso de estudio.
    Accuracy, Recall, Precision, F-Score & Specificity, which to optimize on?

Pequeño typo es cosine proximity y no cousine

Creo que es Cosine y no cousine

Si me equivoco , corríjanme. No se explico de donde sale el valor Precisión para calcular el valor F1. Según lo que busque, seria el porcentaje de verdaderos positivo de del total de una variable. Su formula: vp/(vp + fp)

Un buen resumen de las métricas 💚

Hola, este video figura 22 minutos es correcto?