Metricas

MÉTRICAS Y EJEMPLOS DE LA MATRIZ DE CONFUSIÓN
Accuracy: es la proporción del número total de predicciones que son correctas.

Precisión: es la proporción de los casos predichos positivos que soncorrectos.

Recall o True Positive Recognition: es la proporción de casos positivos que fueron identificados correctamente.

F-measure: es una métrica que toma en cuenta tanto el recall como laprecisión.

EJEMPLO MATRIZ DE CONFUSION 2X2
Weka representa en una matriz la información obtenida de las dos clasesexistentes en los datos procesados. Para obtener la matriz de confusión de cadaclasese separa la información. A continuación se presentan las matrices deconfusión para cada clase (Tabla 2 y 3).

Para la clase A:
* TP. 8 objetos pertenecen a la clase A y fueron clasificadoscorrectamente en la clase A.
* TN. 1 objeto no pertenece a la clase A y no fue clasificado en esta clase, se clasificó en B.
* FP. 4 objetos no pertenecen a la clase A pero si fueron clasificadosen esta clase.
* FN. 1 objeto pertenece a la clase A pero fue clasificado en la clase B.

Para la clase B:
* TP. 1 objeto pertenece a la clase B y fue clasificado correctamente en la claseB.
* TN. 8 objetos no pertenecen a la clase B y no fueron clasificados en esta clase, se clasificaron en A.
* FP. 1 objeto no pertenece a la clase B pero si fue clasificado en esta clase.
*FN. 4 objetos pertenecen a la clase B pero fueron clasificados en la clase A.

EJEMPLO DE MATRIZ DE CONFUSIÓN (3 X 3)

En un ejemplo de 3 clases cada clase tiene su matriz de confusión:
Clase A:* TP. 50 objetos pertenecen a la clase A y fueron clasificados correctamente en la clase A.
* TN. 100 objetos no pertenecen a la clase A y no fueron clasificados en esta clase.
* FP. 0objetos que no pertenecen a la clase B no fueron clasificados en otras clases
* FN. 0 objetos que no pertenecen a la clase A no fueron clasificados en esa clase

Clase B:
* TP. 48 objetos...