Precisión, Recall y ROC en redes neuronales
Contenido del curso
Bryan Castano
La matriz de confusión es una herramienta esencial para evaluar el rendimiento de algoritmos de aprendizaje supervisado, específicamente en tareas de clasificación. Permite visualizar qué tan bien un modelo distingue entre diferentes categorías al comparar los valores reales con las predicciones del sistema.
Componentes de la Matriz (Clasificación Binaria)
Se organiza en una tabla donde las filas suelen representar los valores reales y las columnas las predicciones:
Métricas Derivadas
A partir de los datos de la matriz, se calculan indicadores clave de rendimiento:
Para evaluar redes neuronales en clasificación binaria, se utilizan diversas métricas que analizan diferentes aspectos del rendimiento del modelo, especialmente cuando los datos están desbalanceados
1. Métricas de Punto Fijo (Basadas en un umbral)
Estas métricas se calculan a partir de la matriz de confusión tras definir un umbral de decisión (comúnmente 0.5):
2. Curva ROC y AUC: Evaluación Global
A diferencia de las anteriores, estas no dependen de un único umbral, sino que evalúan el modelo en todos sus niveles de confianza posibles.
AUC (Área bajo la curva): Resume la curva ROC en un solo valor numérico entre 0 y 1.
** Caracteristicas:
Estas metricas son muy importantes para modelos de clasificacion binaria como este en radiografias.
