Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1. Introduccion
Las metricas de evalucion son en terminos generales, medidas de lo bien o mal que
un clasificador o algoritmo de clasificacion de machine learning a realizado las
predicciones que se le solicitan hacer. Las metricas pueden venir en distintas formas,
algunas son matrices, tambien pueden ser graficas o en los casos mas simples y practicos
pueden ser un unico numero.
2. Metricas de evaluacion
a 20 24
b 45 82
2.2 F1-Score
Esta es una metrica que mezcla dos metricas, particularmen la metrica de recall y la
metrica de precision, por lo cual es importante conocer estas dos metricas antes de intentar
una definicion a F1-Score.
Por otro lado tenemos a precision, que es una medida de la precision de una clase en
especifica y se define como:
Al igual que el F1-Score, esta es una metrica que se define en terminos de otra en este caso,
Log loss se puede definir como una metrica probabilistica que es el negativo de la funcion
de verosimilitut o log-likehood.
Por lo anterior es importan tener una definicion clara de que es la funcion de simulitud,
como la dada por Valavanis:
n
1
M SE= ∑ ( P − A j )2
n j=1 j
s p −n p ( nn +1)/2
A UC=
n p nn
Una vez hemos construido la tabla solo nos queda graficar los ratios acumulados y
el decil que tenga la mayor distancia vertical entre las clases.
Nota. Understanding Gain Chart and Lift Chart [Imagen], Por Ishika Tailor: geeksforgeeks, 16 de
marzo de 2021, Recuperado de: (https://www.geeksforgeeks.org/understanding-gain-chart-and-lift-
chart/ )
Una vez tabulados todos los datos necesarios procedemos a graficar la curva de
ganancia junto a la linea base del modelo aleatorio.
Figura 4. Gráfico de ganancia
Nota. Understanding Gain Chart and Lift Chart [Imagen], Por Ishika Tailor: geeksforgeeks, 16 de
marzo de 2021, Recuperado de: (https://www.geeksforgeeks.org/understanding-gain-chart-and-lift-
chart/ )
Ahora solo queda contar las parejas concordantes, discordantes y dividir ambas
entre el número total de parejas.
Como podemos apreciar el modelo tiene una tasa de concordancia del 83% lo cual nos
indica que es un modelo con un rendimiento decente.
Referencias
[1] Minaee, S. (2019). 20 Popular Machine Learning Metrics. Part 1: Classification &
Regression Evaluation Metrics. Retrieved 30 September 2021, from
https://towardsdatascience.com/20-popular-machine-learning-metrics-part-1-classification-
regression-evaluation-metrics-1ca3e282a2ce