¿Qué métricas de clasificación binaria conoces? Ventajas y desventajas de cada una.

Las métricas principales de la clasificación binaria:

1. Precisión (Accuracy)

   • Proporción de objetos correctamente clasificados.
   • Ventaja: simple e intuitiva.
   • Desventaja: funciona mal con clases desequilibradas.

2. Precisión (Precisión de predicciones positivas)

   • Proporción de verdaderos positivos entre todos los positivos predichos.
   • Ventaja: importante cuando los errores falsos positivos son críticos.
   • Desventaja: no considera los positivos omitidos.

3. Recall (Sensibilidad)

   • Proporción de verdaderos positivos detectados por el modelo respecto a todos los positivos reales.
   • Ventaja: importante cuando omitir positivos es crítico.
   • Desventaja: puede ser alto con muchos falsos positivos.

4. F1-score

   • Media armónica de Precisión y Recall.
   • Ventaja: equilibra precisión y sensibilidad.
   • Desventaja: no considera los negativos verdaderos.

5. ROC AUC (Área bajo la curva ROC)

   • Evalúa la capacidad del modelo para distinguir clases en diferentes umbrales.
   • Ventaja: no depende del umbral de clasificación.
   • Desventaja: puede ser menos informativo en casos de fuerte desequilibrio.

6. Matriz de confusión

   • Muestra TP, FP, TN, FN para análisis detallado.

La elección de la métrica depende de la tarea y de qué errores son más críticos: omisiones o falsos positivos.