Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • Calculo de Metricas

    Cargado por

    PAULO CESAR CALDERON BERMUDO
    10 vistas4 páginas
    Este documento presenta el cálculo de métricas como precisión, recall y accuracy para los resultados de un modelo de regresión logística aplicado al conjunto de datos Iris. Se calculan las métricas por cada clase (Setosa, Versicolor y Virginica) y los promedios ponderados y no ponderados. La precisión promedio fue de 0.9326, el recall promedio fue de 0.9167 y la accuracy final del modelo fue de 0.9210.

    Descripción original:

    Título original

    Calculo de metricas

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Denunciar este documento
    Este documento presenta el cálculo de métricas como precisión, recall y accuracy para los resultados de un modelo de regresión logística aplicado al conjunto de datos Iris. Se calculan las métricas por cada clase (Setosa, Versicolor y Virginica) y los promedios ponderados y no ponderados. La precisión promedio fue de 0.9326, el recall promedio fue de 0.9167 y la accuracy final del modelo fue de 0.9210.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Marcar por contenido inapropiado
    10 vistas4 páginas

    Calculo de Metricas

    Cargado por

    PAULO CESAR CALDERON BERMUDO
    Este documento presenta el cálculo de métricas como precisión, recall y accuracy para los resultados de un modelo de regresión logística aplicado al conjunto de datos Iris. Se calculan las métricas por cada clase (Setosa, Versicolor y Virginica) y los promedios ponderados y no ponderados. La precisión promedio fue de 0.9326, el recall promedio fue de 0.9167 y la accuracy final del modelo fue de 0.9210.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Marcar por contenido inapropiado
    de 4

    1

    UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

    FACULTAD DE INGENIERÍA DE SISTEMAS E INFORMÁTICA

    ESCUELA PROFESIONAL ACADÉMICA DE INGENIERÍA DE SOFTWARE

    Semestre 2023 -I

    Docente : JUAN GAMARRA MORENO


    Curso : INTELIGENCIA ARTIFICIAL
    Estudiante :

    • Bryan Miguel Chiara Arcos

    LIMA-PERÚ

    2023
    2

    Calculo de metricas para el resultado de Iris con Regresion Logística


    Según la matriz de confusión

    Ejemplo:

    Calculo del TN:

    TN(Setosa)= 16+1+1+10=28
    TN(Versicolor)= 9+10+0+0=19
    TN(Virginica)= 9+1+0+16=26

    Tabla:

    Clases TP TN FP FN

    SETOSA 9 28 0 1
    VERSICOLOR 16 19 2 1
    VIRGINICA 10 26 1 1
    3

    𝑻𝑷
    Precision=
    𝑻𝑷+𝑭𝑷
    𝟗
    Precision(setosa)= 𝟗 = 𝟏
    𝟏𝟔
    Precision(Versicolor)= 𝟏𝟖 = 𝟎. 𝟖𝟖𝟖𝟗
    𝟏𝟎
    Precision(Virginica)= 𝟏𝟏 = 𝟎. 𝟗𝟎𝟗𝟏

    𝟏+𝟎.𝟖𝟖𝟖𝟗+𝟎.𝟗𝟎𝟗𝟏
    Macro avg= = 𝟎. 𝟗𝟑𝟐𝟔
    𝟑

    𝟏∗𝟏𝟎+𝟎.𝟖𝟖𝟖𝟗∗𝟏𝟕+𝟎.𝟗𝟎𝟗𝟏∗𝟏𝟏 𝟏𝟎+𝟏𝟓.𝟏𝟏𝟏𝟑+𝟏𝟎.𝟎𝟎𝟎𝟏 𝟑𝟓.𝟏𝟏𝟏𝟒


    Weigthed avg= = = = 𝟎. 𝟗𝟐𝟑𝟗
    𝟏𝟎+𝟏𝟕+𝟏𝟏 𝟑𝟖 𝟑𝟖

    𝑻𝑷
    Score=
    𝑻𝑷+𝑭𝑵
    𝟗
    Recall(Setosa)= 𝟏𝟎 = 𝟎. 𝟗𝟎𝟎𝟎
    𝟏𝟔
    Recall(Versicolor)= 𝟏𝟕 = 𝟎. 𝟗𝟒𝟏𝟐
    𝟏𝟎
    Recall(Virginica)= 𝟏𝟏 = 𝟎. 𝟗𝟎𝟗𝟏

    𝟎.𝟗𝟎𝟎𝟎+𝟎.𝟗𝟒𝟏𝟐+𝟎.𝟗𝟎𝟗𝟏
    Macro avg= = 𝟎. 𝟗𝟏𝟔𝟕
    𝟑

    𝟎.𝟗𝟎𝟎𝟎∗𝟏𝟎+𝟎.𝟗𝟒𝟏𝟐∗𝟏𝟕+𝟎.𝟗𝟎𝟗𝟏∗𝟏𝟏 𝟗+𝟏𝟔.𝟎𝟎𝟎𝟒+𝟏𝟎.𝟎𝟎𝟎𝟏 𝟑𝟓.𝟎𝟎𝟎𝟓


    Weigthed avg= = = = 𝟎. 𝟗𝟐𝟏𝟎
    𝟏𝟎+𝟏𝟕+𝟏𝟏 𝟑𝟖 𝟑𝟖
    4

    𝟐∗𝑷𝒓𝒆𝒄∗𝑹𝒆𝒄𝒂𝒍𝒍
    Recall=
    𝒑𝒓𝒆𝒄+𝑹𝒆𝒄𝒂𝒍𝒍
    𝟐∗𝟏∗𝟎.𝟗𝟎𝟎𝟎
    Recall(Setosa)= = 𝟎. 𝟗𝟒𝟕𝟒
    𝟏.𝟗𝟎𝟎𝟎
    𝟐∗𝟎.𝟖𝟖𝟖𝟗∗𝟎.𝟗𝟒𝟏𝟐
    Recall(Versicolor)= = 𝟎. 𝟗𝟏𝟒𝟑
    𝟏.𝟖𝟑𝟎𝟏
    𝟐∗𝟎𝟗𝟎𝟗𝟏∗𝟎.𝟗𝟎𝟗𝟏
    Recall(Virginica)= = 𝟎. 𝟗𝟎𝟗𝟏
    𝟏.𝟖𝟏𝟖𝟐

    𝟎.𝟗𝟒𝟕𝟒+𝟎.𝟗𝟏𝟒𝟑+𝟎.𝟗𝟎𝟗𝟏
    Macro avg= = 𝟎. 𝟗𝟐𝟑𝟔
    𝟑

    𝟎.𝟗𝟒𝟕𝟒∗𝟏𝟎+𝟎.𝟗𝟏𝟒𝟑∗𝟏𝟕+𝟎.𝟗𝟎𝟗𝟏∗𝟏𝟏 𝟗.𝟒𝟕𝟒+𝟏𝟓.𝟓𝟒𝟑𝟏+𝟏𝟎.𝟎𝟎𝟎𝟏 𝟑𝟓.𝟎𝟏𝟕𝟐


    Weigthed avg= = = = 𝟎. 𝟗𝟐𝟏𝟓
    𝟏𝟎+𝟏𝟕+𝟏𝟏 𝟑𝟖 𝟑𝟖

    𝑻𝑷+𝑻𝑵
    Accuracy=
    𝑻𝑷+𝑭𝑷+𝑻𝑵+𝑭𝑵
    𝟗+𝟏𝟔+𝟏𝟎
    Accuracy = = 𝟎. 𝟗𝟐𝟏𝟎
    𝟑𝟖

    También podría gustarte