Evaluando la Medida F1

El valor F1 se utiliza para combinar las medidas de precision y recall dentro de un sólo valor. Es decir práctico porque hace más simple el poder cotejar el desempeño combinado de la exactitud y la exhaustividad a caballo entre varias soluciones. El valor estimado F1 asume que nos importa de la misma forma la exactitud y la exhaustividad.

Recall o sensibilidad: indica la proporción de ejemplos positivos que están identificados correctamente por el modelo a caballo entre todos los positivos reales. O sea, VP / (VP + FN). En nuestro propio ejemplo, el valor de sensibilidad sería 1 / (1 + 0) = 1.

Es el número de predicciones adecuadas efectuadas por el modelo por el total de registros. La mejor precisión es el 100%, lo cual señala que todas y cada una las predicciones son adecuadas. Toma en cuenta que la precisión no es una mesura válida del rendimiento del modelo cuando se tiene un conjunto de datos perturbado.

La sensibilidad y la especificidad son dos evalúes que nos indican la capacidad de nuestro estimador para discriminar los casos positivos, de los negativos. La sensibilidad se representa como la fracción de verdaderos positivos, mientras tanto que la especificidad, es la fracción de verdaderos negativos.

La métrica accuracy escenifica el porcentaje número total de valores adecuadamente clasificados, tanto positivos como negativos. Es conveniente emplear esta métrica en problemas en los cuales los datos están balanceados, o sea, que haya misma cantidad de evalúes de cada etiqueta (en este mismo caso mismo número de 1s y 0s).

El estadístico F es un test que se emplea para valorar la capacidad explicativa que tiene un conjunto de alterables independientes acerca de la variación de la alterable dependiente.

La escala Fahrenheit (° F ): Es la medida utilizada por los países de habla inglesa. En esta escala, el punto de congelación del agua ocurre a los treinta y dos grados Fahrenheit y su punto de ebullición a los doscientos doce ºc Fahrenheit .

Recall. La métrica de recall, también conocida como el ratio de verdaderos positivos, es usada para saber cuantos evalúes positivos son debidamente clasificados. Siguiendo el ejemplo, tendríamos un recall de 2/4, es decir 50%.

Exactitud VS recall
Queda claro que recall nos da información sobre el desempeño de un clasificador con respecto a falsos negativos (cuántos fallaron), mientras tanto que la precisión nos proporciona información acerca de su desempeño con respecto a los engañosos positivos (cuántos capturados).

Matríz de confusión ( F1 -score)
En el caso específico de un clasificador binario podemos interpretar estos números como el conteo de positivos verdaderos (aciertos), positivos engañosos (fallos), negativos verdaderos (errores), y negativos ilusorios (aciertos).

MÉTRICA DE PRECISIÓN
Esta métrica representa el número de teléfono de verdaderos positivos que son realmente positivos en comparación con el total de valores positivos pronosticados.

Machine Learning: Accuracy (Exactitud)
Es el porcentaje número total de elementos clasificados adecuadamente. Por ende, para nuestro ejemplo: Exactitud = (20 + 200) / (20 + 10 + 70 + 200) = 220/300. Es la mesura más directa de la calidad de los clasificadores.

MÉTRICA DE EXACTITUD
Señala el número de teléfono de elementos clasificados debidamente respecto al el número total de artículos.

Accuracy (Exactitud)
El problema con la precisión es que nos puede llevar al engaño, o sea, puede llevar a cabo que un modelo malo (como el del ejemplo) parezca que es muchísimo mejor de lo que es. O sea, el modelo acierta el 75% de las veces.

Precisión o bien accuracy: la fracción de predicciones que el modelo realizó correctamente. Se representa como un porcentaje o bien un valor estimado entre 0 y 1. Es buena métrica en cuanto tenemos un grupo de datos balanceado, es decir, cuando el número de etiquetas de cada clase es semejante.

Dentro del ámbito de la inteligencia artificial y en especial dentro del problema de la categorización estadística, una matriz de confusión es una herramienta que permite la visualización del desempeño de un algoritmo que se utiliza en aprendizaje supervisado.

Esta métrica asimismo se conoce como sensibilidad. En la matriz de confusión de la ilustración anterior, estas métricas se calculan de la próxima manera: Precisión = TP ÷ (TP + FP) Recuperación = TP ÷ (TP + FN)

La matriz de confusión es una herramienta de visualización que se utiliza dentro del aprendizaje supervisado. Cada columna de la matriz re- presenta el número de predicciones de cada clase, mientras tanto que cada hilera representa a las instancias en la clase real.