¿Cómo medir las prestaciones de un clasificador?

Autor: | Última modificación: 24 de noviembre de 2022 | Tiempo de Lectura: 2 minutos

Entendemos por clasificador un algoritmo que, a partir de un conjunto de muestras/observaciones de entrenamiento, es capaz de identificar a qué clase (categoría) pertenece una nueva observación. Una métrica de calidad que podemos usar para medir las prestaciones de un clasificador es el error de clasificación

Medir las prestaciones de un clasificador

Para medir las prestaciones de un clasificador por medio del error de clasificación vamos a utilizar la siguiente fórmula:

# de muestras mal clasificadas

Error = ——————————————————-

# de muestras totales del problema

Ejemplo: problema de clasificación con dos clases y E 0,1

Etiquetas reales (y true) = [1, 0, 0, 1, 0]

Etiquetas predichas (y pred) = [0, 0, 1, 1, 0]

En este caso:

# de muestras mal clasificadas = 2 2

Error = ————————————————————— = —– = 0.4

# de muestras totales del problema =5 5

Así, el error de clasificación será un numero entre 0 y 1, tal que:

  • Error = 0 es el mejor valor posible (no me equivoco nada).
  • Error = 1 es el peor valor posible (nos equivocamos en todas las muestras). Ten en cuenta que si nos equivocamos en la clasificación de todas las muestras y en medir las prestaciones de un clasificador, podemos interpretar que el clasificador es bueno, pero que tenemos que hacer justo lo contrario de lo que nos dice. El peor valor de error sería, por tanto, 0.5, en el que la incertidumbre es mayor.

El error de clasificación para medir las prestaciones de un clasificador será un número entre 0 y 1. De modo que si el error es 0, es el mejor valor posible; si el error es 1, es el peor valor posible, lo que significa que nos hemos equivocado en todas las muestras.

Normalmente no se utiliza el error, sino su complementario, la exactitud o accuracy (Acc):

Acc = 1 — Error

Entonces:

  • Acc = 1 es el mejor valor posible (no me equivoco nada).
  • Acc = 0 es el peor valor posible (me equivoco en todas las muestras).

Si tenemos un 1 y lo invertimos, podríamos decir que es un clasificador perfecto. El peor valor para medir las prestaciones de un clasificador, por tanto, sería 0.4, que es cuando la incertidumbre sería mayor, ya que no pertenece ni a uno ni a otro grupo.

Normalmente no se utiliza el error, sino su complementario, que se llama exactitud o accuracy.

¿Quieres seguir aprendiendo sobre estadística y Big Data?

El tema abordado no solo es de interés para el área de estadística, sino también para el área del Big Data en general. Ya sabemos que ambas disciplinas están muy relacionadas y son importantes para incursionar en el mundo de la analítica de datos.

Por eso, desde KeepCoding queremos asegurarnos de que recibes la mejor formación al respecto: por medio de nuestro Big Data, Inteligencia Artificial & Machine Learning Full Stack Bootcamp, obtendrás una formación intensiva de 8 meses de duración en la que aprenderás toda la teoría y práctica necesaria para adentrarte en el mundo del Big Data, que tiene una oferta laboral amplia y muy variada y bien remunerada. ¡No esperes más para solicitar información y seguir cambiando tu futuro!

👉 Descubre más del Big Data, Inteligencia Artificial & Machine Learning Full Stack Bootcamp ¡Descarga el temario!

👉 Prueba el Bootcamp Gratis por una Semana ¡Empieza ahora mismo!

👉 Conoce nuestros otros Bootcamps en Programación y Tecnología

[email protected]

¿Trabajo? Aprende a programar y consíguelo.

¡No te pierdas la próxima edición del Aprende a Programar desde Cero Full Stack Jr. Bootcamp!

 

Prepárate en 4 meses, aprende las últimas tecnologías y consigue trabajo desde ya. 

 

Solo en España hay más de 120.400 puestos tech sin cubrir, y con un sueldo 11.000€ por encima de la media nacional. ¡Es tu momento!

 

🗓️ Próxima edición: 13 de febrero

 

Reserva tu plaza descubre las becas disponibles.