Enumere las métricas de calidad del modelo de clasificación binaria y sus diferencias?
sobes.tech AI
Respuesta de la IA
Las métricas principales de calidad de un modelo de clasificación binaria y sus diferencias:
-
Precisión (Accuracy) — proporción de objetos correctamente clasificados (tanto positivos como negativos). Es buena cuando las clases están equilibradas.
-
Precisión (Precision) — proporción de verdaderos positivos entre todos los que el modelo predijo como positivos. Es importante cuando los falsos positivos son críticos.
-
Recall (Sensibilidad, Exhaustividad) — proporción de verdaderos positivos que el modelo encontró entre todos los positivos reales. Es importante para no pasar por alto casos positivos.
-
F1-score — media armónica de Precision y Recall, que equilibra ambas métricas.
-
ROC-AUC — área bajo la curva ROC, muestra la capacidad del modelo para distinguir entre clases en diferentes umbrales.
-
Log Loss (Pérdida Logarítmica) — medida de la calidad de predicciones probabilísticas, penaliza predicciones confiadas pero incorrectas.
La elección de la métrica depende de la tarea: por ejemplo, en diagnósticos médicos, es importante el Recall para no pasar por alto pacientes enfermos, mientras que en spam, la Precision es clave para no bloquear correos normales.