How to select the Right Evaluation Metric for Machine Learning Models
by ALEXA EKATARINE UREÑA MORA
1. Métricas de regresión
2. Clasificación
3. Matriz de confusión o error
3.1. Es una tabla que presenta el funcionamiento de un modelo que es supervisado en los datos de puebla, en donde no se conocen los valores verdaderos.
4. Precisión
4.1. determina el porcentaje total de los elementos clasificados correctamente; a pesar de no ser apropiado para todos los casos, es comúnmente utilizado debido a ser muy intuitiva y natural.
5. Rellamada o Sensibilidad o TPR (Tasa de True Positive)
5.1. es el número de elementos que son identificados de manera correcta como positivos verdaderos.
6. El Especificidad o TNR (Tasa Negativa Verdadera)
6.1. es el número de valores identificados como negativos fuera del total de los negativos. Se considera ser totalmente opuesto a Recall.
7. F1-Score
7.1. Permite comparar de manera veloz 2 clasificadores.
8. Root Mean Squared Error (RMSE)
8.1. Es la raíz cuadrada del MSE.
8.1.1. Ambos son similares pues al minimizar el MSE de igual forma se minimiza el RMSE, pues no varían en cantidades y viceversa.
9. Mean Squared Error (MSE)
9.1. La evaluación más común y simple pero, de la misma forma la menos útil
9.1.1. Este modelo solo es útil en caso de tener valores inesperados que sean de importancia al considerarlos
9.1.2. si ingresamos datos de los que no estamos totalmente seguros, aún con un modelo perfecto, podemos tener un MSE alto y no podríamos evaluar de manera acertada el desempeño del modelo.
10. Mean Absolute Error (MAE)
10.1. Mide las diferencias entre dos variables continuas.
10.1.1. El error de los modelos es calculado por un aproximado de las diferencias entre los valores y predicciones