Matriz de confusión.
Genere una matriz de resultados de clasificación detallada para visualizar los verdaderos positivos, los falsos positivos, los verdaderos negativos y los falsos negativos, con el fin de analizar el rendimiento del modelo.
Priority
Execution Context
La función de Matriz de Confusión calcula una representación tabular exhaustiva de los resultados de las predicciones en comparación con las etiquetas reales. Calcula métricas precisas, incluyendo exactitud, precisión, exhaustividad y puntuación F1, para evaluar el rendimiento de modelos binarios o de múltiples clases. Esta herramienta es fundamental para identificar tipos específicos de errores, como falsos negativos en el diagnóstico médico o falsos positivos en sistemas de detección de fraude. Al agregar los verdaderos positivos, falsos positivos, verdaderos negativos y falsos negativos en una única salida estructurada, permite a los científicos de datos optimizar los umbrales de los clasificadores y mejorar la fiabilidad general del sistema.
La función se inicializa procesando matrices de predicciones sin formato y etiquetas de referencia provenientes de la canalización de entrenamiento o inferencia.
Luego, se ejecuta un algoritmo de cálculo matricial que compara las clases predichas con los valores observados reales para generar los conteos de las celdas.
Finalmente, el sistema calcula métricas estadísticas y formatea los resultados en una estructura JSON estandarizada para su posterior análisis.
Operating Checklist
Obtener el conjunto de predicciones y las etiquetas de referencia del conjunto de datos de origen.
Verifique las longitudes de los arreglos y los tipos de datos para garantizar la integridad computacional.
Complete las celdas de la matriz comparando las clases predichas con las etiquetas reales.
Calcule métricas derivadas y formatee los resultados para informes empresariales.
Integration Surfaces
Validación de datos de entrada.
El sistema verifica que los arreglos de predicción coincidan con las dimensiones y los tipos de datos de la información de referencia antes de iniciar el cálculo.
Motor de cálculo de matrices.
El algoritmo central calcula las frecuencias de las celdas para los Verdaderos Positivos, Falsos Positivos, Verdaderos Negativos y Falsos Negativos.
Módulo de Derivación de Métricas.
El motor calcula la precisión, exactitud, exhaustividad y la puntuación F1, basándose en los valores de la matriz de confusión.
