Generador de matrices de confusión

¿Qué muestra el generador de matrices de confusión?

La matriz de confusión compara las clases reales con las predichas para que los errores del modelo permanezcan visibles en lugar de reducirse a una sola métrica de precisión. La diagonal contiene las predicciones correctas; las celdas fuera de la diagonal muestran qué clases confunde el modelo.

Requisitos de datos para la matriz de confusión

• Subir etiquetas reales y predichas a nivel de fila, o una tabla cuadrada de frecuencias clase por clase.
• Utilizar exactamente los mismos nombres y orden de clases para filas y columnas.
• Incluir pesos de muestra solo cuando el protocolo de evaluación lo requiera.
• Especificar si las celdas muestran frecuencias absolutas, porcentajes por fila, porcentajes por columna o proporciones del total.

Ejemplos de uso en investigación

• Ejemplo de matriz de confusión binaria
• Matriz de confusión multiclase
• Matriz de confusión normalizada
• Mapa de calor de confusión
• Matriz de confusión de aprendizaje automático
• Matriz con precisión y recall

¿Por qué utilizar una matriz de confusión para evaluar modelos?

• Identificar qué clases generan los falsos positivos y falsos negativos.
• Detectar si una alta precisión general oculta un rendimiento deficiente en clases minoritarias.
• Comparar frecuencias absolutas con tasas normalizadas a nivel de clase.
• Crear una figura reproducible de evaluación del modelo a partir de las predicciones exportadas.

Cómo usar Generador de matrices de confusión

Elige un ejemplo o sube un archivo CSV, TSV, TXT, XLSX o XLS. Revisa las columnas detectadas, genera el gráfico y edítalo en SciVis. En Excel se importa la primera hoja.

Elementos clave de una matriz de confusión clara

• Etiquetas explícitas para los ejes de valores reales (Actual) y predichos (Predicted).
• Nombres de clases en un orden consistente.
• Valores numéricos en las celdas acompañados de una escala de color secuencial legible.
• Un pie de figura que indique el conjunto de prueba, el método de normalización y el tamaño de la muestra.

¿Matriz de confusión o curva ROC?

Utilice una matriz de confusión para inspeccionar los resultados específicos de cada clase bajo un umbral de decisión determinado. Utilice una curva ROC o de precisión-sensibilidad (precision-recall) para evaluar el rendimiento a lo largo de múltiples umbrales. Con datos desbalanceados, la curva de precisión-sensibilidad suele ser más informativa que la curva ROC por sí sola.