Una matriz de confusión es una técnica de medición de rendimiento para la clasificación de aprendizaje automático. Es una especie de tabla que te ayuda a conocer el rendimiento del modelo de clasificación en un conjunto de datos de prueba para el que se conocen los valores reales. El término «matriz de confusión» en sí es muy sencillo, pero su terminología relacionada puede ser un poco confusa. Aquí se da una explicación simple para esta técnica.

En este tutorial, aprenderás:

La matriz de confusión visualiza la precisión de un clasificador comparando las clases reales y predichas. La matriz de confusión binaria está compuesta por cuadrados:

• TP: Verdadero positivo: valores predichos correctamente como positivo real
• FP: Valores predichos incorrectamente como positivo real. es decir, valores negativos predichos como positivo
• FN: Falso negativo: valores positivos predichos como negativos
• TN: Verdadero negativo: valores predichos correctamente como negativo real

Puedes calcular la prueba de precisión a partir de la matriz de confusión:

La matriz de confusión es un método útil de aprendizaje automático que te permite medir la precisión, precisión, exactitud y la curva AUC-ROC. A continuación se muestra un ejemplo para conocer los términos verdadero positivo, verdadero negativo, falso negativo y verdadero negativo.

Verdadero positivo:

Proyectaste un positivo y resultó ser cierto. Por ejemplo, habías predicho que Francia ganaría la copa del mundo, y lo hizo.

Verdadero negativo:

Cuando predijiste negativo, y es cierto. Predijiste que Inglaterra no ganaría y perdió.

Falso positivo:

Tu predicción es positiva, y es falsa.

Habías predicho que Inglaterra ganaría, pero perdió.

Falso negativo:

Tu predicción es negativa, y el resultado también es falso.

Habías predicho que Francia no ganaría, pero lo hizo.

Debes recordar que describimos los valores predichos como verdaderos o falsos o positivos y negativos.

Aquí tienes un proceso paso a paso para calcular una matriz de confusión en la minería de datos

• Paso 1) Primero, necesitas probar el conjunto de datos con sus valores de resultado esperados.
• Paso 2) Predice todas las filas en el conjunto de datos de prueba.
• Paso 3) Calcula las predicciones y resultados esperados:

1. El total de predicciones correctas de cada clase.
2. El total de predicciones incorrectas de cada clase.

Después de eso, estos números se organizan en los métodos dados a continuación:

• Cada fila de la matriz se vincula a una clase predicha.
• Cada columna de la matriz corresponde a una clase real.
• El recuento total de clasificaciones correctas e incorrectas se introduce en la tabla.
• La suma de predicciones correctas para una clase entra en la columna predicha y la fila esperada para ese valor de clase.
• La suma de predicciones incorrectas para una clase entra en la fila esperada para ese valor de clase y la columna predicha para ese valor de clase específico.

• Valor predictivo positivo(PVV): Esto es muy similar a la precisión. Una diferencia significativa entre estos dos términos es que PVV considera la prevalencia. En la situación en la que las clases están perfectamente equilibradas, el valor predictivo positivo es el mismo que la precisión.

• Tasa de error nula: Este término se utiliza para definir cuántas veces tu predicción estaría equivocada si puedes predecir la clase mayoritaria. Puedes considerarlo como una métrica base para comparar tu clasificador.

• Puntuación F: La puntuación F1 es una puntuación promedio ponderada del verdadero positivo (recuerdo) y la precisión.

• Curva Roc: La curva Roc muestra las tasas de verdaderos positivos contra la tasa de falsos positivos en varios puntos de corte. También demuestra un equilibrio entre sensibilidad (recuerdo) y la especificidad o la tasa de verdaderos negativos.
• Precisión: La métrica de precisión muestra la precisión de la clase positiva. Mide lo probable que la predicción de la clase positiva sea correcta.

La puntuación máxima es 1 cuando el clasificador clasifica perfectamente todos los valores positivos. La precisión por sí sola no es muy útil porque ignora la clase negativa. La métrica suele estar emparejada con la métrica de recuerdo. El recuerdo también se llama sensibilidad o tasa de verdaderos positivos.

• Sensibilidad: La sensibilidad calcula la proporción de clases positivas detectadas correctamente. Esta métrica muestra qué tan bueno es el modelo para reconocer una clase positiva.

Aquí tienes los pros/beneficios de usar una matriz de confusión.

• Muestra cómo se confunde cualquier modelo de clasificación al hacer predicciones.
• La matriz de confusión no solo te brinda información sobre los errores que comete tu clasificador, sino también sobre los tipos de errores que se cometen.
• Esta desglosa te ayuda a superar la limitación de utilizar solo la precisión de clasificación.
• Cada columna de la matriz de confusión representa las instancias de esa clase predicha.
• Cada fila de la matriz de confusión representa las instancias de la clase real.
• Proporciona información no solo sobre los errores que comete un clasificador, sino también sobre los errores que se cometen.