La Matriz de Confusión

[@codificandobits]

🔥🔥Academia Online: codificandobits.com/ 🔥🔥 🔥🔥Asesorías y formación personalizada: codificandobits.com/servicios/ 🔥🔥

[@resanmar]

Por fin le entendí, graciasss... totales.

[@HillelGarciaAustria]

Excelente explicación muchas gracias. Ya tienes +1 subscriptor! Una pregunta, veo en otros lugares que intercambian los ejes, el de las predicciones lo ponen arriba y los datos reales a la izquierda, cuál es la forma correcta de hacerlo?

[@CamiloGopi]

También he visto mucho lo mismo

[@chrissantivanez7293]

Muchas gracias

[@francisrivera2790]

Excelente video, Tengo una pregunta para el caso de usar la matriz de confusion para un modelo multiclase pero teniendo dentro de las clases una clase que se quiere considerar como negativa esto como cambiaria la interpretacion de verdaderos positivos y los otros valores En este caso la aplicacion final requiere que no debe haber casos de esa clase predichos mal Muchas gracias espero pronta respuesta

[@MyGersonsilva]

muy buena explicacion!!!

[@benignocorrales2254]

Maestro muchisimas gracias, Una pregunta/Observación, como la columna son las categorías reales es decir los datos que distribuyo el modelo, no deberian sumar precisamente el total de datos con los que se dispone?. Entiendo todo pero creo que como lo muestras en el video en realidad son las filas las que son categorías reales, pues en la sumatoria de la fila se ve el total de datos. Mejor dicho están intercambiadas las etiquetas de fila y columna para la matriz

[@yeiversanabria8105]

que buen video mi hermano, muy bien explicado compadre

[@cristianfernandopupialesor3465]

Que buenazo, gracias por compartir.

[@macs1701]

tabla de frecuencias entre valores reales en columnas y predicciones en filas

[@carloshmanosalva1703]

Excelente métrica. Por ejemplo en un sistema de scoring para otorgamiento de créditos uno podría estar más interesado en los deudores clasificados como buenos sabiendo que no lo son

[@codificandobits]

De acuerdo: la interpretación de esta matriz dependerá de la aplicación final de nuestro modelo. En algunos casos nos interesarán más los verdaderos positivos, en otro caso tal vez los verdaderos negativos, o nos podría interesar tener una tasa baja de falsos positivos y negativos... Todo depende de la aplicación final. Un saludo!

[@carloshmanosalva1703]

@@codificandobits De todas maneras si puede ser algo complicada esa decisión si la matriz de confusión arroja resultados contradictorios. por que por ejemplo así como es importante detectar posibles deudores que van a incumplir, no menos importante es no terminar rechazando a un cliente que va a cumplir

[@carloshmanosalva1703]

gracias usted explica muy bien

[@AraceliAguilar-p4e]

Que sucede cundo tengo más de dos categorías ?

[@codificandobits]

La matriz de confusión tendrá tantas filas y columnas como categorías tenga tu set de datos. Por ejemplo, si deseas clasificar los datos en 6 categorías entonces la matriz de confusión será de 6x6. Un saludo!

[@alejandropatiño-v7y]

Al pareces estan cruzadas los valores correspondientes a las etiquetas falsos positivos y falsos negativos , pero igual buena explicación.

[@eddercipra]

Hola, alguien que me apoye a aplicar la matriz de confusión a mi proyecto. He entrenado 4 modelos pre entrenados y ya tengo las precisiones. Ahora quiero hacer la matriz de confusión para poder validar mi hipótesis? Help

[@codificandobits]

Puedes usar la función "confusion_matrix" de Scikit-Learn: scikit-learn.org/stable/modules/generated/sklearn.metrics.confusion_matrix.html

[@eddercipra]

@@codificandobits gracias, tu crees que me podrias dar una manito con mi proyecto, siento que me estanque y no logro sacarla adelante.

[@fdmenendez]

Me encanto el vídeo, pero la matriz de confusión esta incorrecta, intercambiaste filas por columnas, la suma de normales reales da 98 y la de anormales reales da 2

[@CarolinaTomás-t4q]

Al principio del vídeo, la red neuronal tenía un 80% de probabilidad de acierto, pero en el último ejemplo, tiene un 97%, claro, en el último ejemplo la red neuronal es preferible de elección y en el primero ejemplo no lo era... pero claro... con esta variación...

[@danielc.s.8399]

Solo una cosa me parece que el falso negativo y falso positivo estan al reves siguiendo tu caso anterior, falso positivo es cuando le dices que el paciente esta enfermo y en realidad esta sano. Falso positivo se entiende a que dio positivo a la anomalia, pero era falso. 5:46