Métricas de evaluación para clasificación más allá de la precisión

Métricas de evaluación para una clasificación más completa que la precisión

Desenvolviendo la matriz de confusión, precisión, recuperación, puntuación F1 y curva ROC

En este artículo, discutiremos por qué la precisión no siempre es la mejor medida para evaluar el rendimiento de un modelo, especialmente en el caso de tareas de clasificación, y luego presentaremos métricas alternativas que nos dan una mejor idea de qué tan bien está funcionando nuestro clasificador. También veremos ejemplos para tener una mejor comprensión detrás de la ideología de estas métricas y tener una idea sobre cuándo usar qué. Pero antes de entrar directamente en esta discusión, asegurémonos de tener un buen conocimiento de algunos conceptos básicos.

Regresión vs Clasificación

El aprendizaje automático supervisado se puede clasificar ampliamente en dos tipos: regresión y clasificación.

Regresión: En la regresión, el objetivo del modelo es predecir valores continuos, por ejemplo, predecir los precios de las casas en función de características como el tamaño, el número de habitaciones, la localidad, etc.

Clasificación: Se trata de predecir etiquetas de clase discretas en función de características de entrada. Algunos ejemplos de clasificación incluyen la detección de correo no deseado, la detección de enfermedades, la clasificación de imágenes, etc.

• ¿Son realmente globales las variables en Python?
• Este artículo de IA presenta LLaVA-Plus un asistente multimodal de propósito general que amplía las capacidades de los modelos multimodales grandes
• Navegando el desafío cartográfico a medio camino del #30DayMapChallenge

Como nuestros valores objetivo (el valor que queremos predecir se conoce como objetivo) son continuos en el caso de problemas de regresión, tiene mucho sentido utilizar métricas como el error absoluto medio (MAE), el error cuadrático medio (MSE), R-cuadrado, etc. Estas métricas requieren el cálculo de la diferencia (también conocida como error o residuo) entre el valor real y el valor predicho para cada instancia.

Sin embargo, los valores objetivo en la clasificación suelen ser categóricos y el cálculo de estas medidas matemáticas no es apropiado. Por lo tanto, necesitamos algo más para cuantificar el rendimiento de nuestros modelos de clasificación y la precisión es una opción.

¿Qué es la Precisión?

Uno de los métodos más simples y directos para evaluar nuestro clasificador es observar la proporción de instancias que ha clasificado correctamente. Podemos hacer esto simplemente dividiendo el número de predicciones correctas entre el número total de instancias en nuestro conjunto de datos. ¡Esto se llama precisión, tan simple como eso!

We will continue to update Zepes; if you have any questions or suggestions, please contact us!