Métricas para Clasificadores de Machine Learning ➤ Matriz de Confusión Precision Accuracy Recall F1

En el contexto de clasificadores de aprendizaje de máquina, este video explica métricas para evaluarlos calculadas a partir de los verdaderos positivos, verdaderos negativos, falsos positivos y falsos negativos (que conforman la matriz de confusión). Las métricas explicadas son Precision, Accuracy, Recall y F1 score. Además, se presenta cómo evaluar vía programación a los clasificadores usando Scikit-Learn de Python.

👉 Xiperia ofrece consultoría empresarial que transforma datos en conocimiento accionable para alcanzar los objetivos de tu negocio. Conoce más en https://www.xiperia.com

Para citar este recurso educativo utiliza la siguiente referencia:

Gutiérrez-García, J.O. [Código Máquina]. (2022, 20 de Agosto). Métricas para Clasificadores de Machine Learning: Matriz de Confusión, Precision, Accuracy, Recall, F1 [Video]. YouTube. [Incluye aquí la URL del video]

********************************************

Para guiar tu aprendizaje, en este vínculo (   • Curso de Inteligencia Artificial (IA)...  ) se encuentra una guía secuencial para aprender:

1. Programación Básica con Python;
2. Manejo de Datos;
3. Visualización de Datos;
4. Análisis de Datos; y
5. Aprendizaje de Máquina y Ciencia de Datos.

********************************************

Índice del Video:

0:00 Introducción
0:39 Matriz de confusión
5:17 Accuracy
6:07 Precision y Recall
7:49 F1 score
8:53 Métricas con Scikit-Learn
17:12 Clasificadores hipotéticos

⭐ Apoya a Código Máquina dando un Like, Comentando, Compartiendo o con un Super Gracias.

⭐ De la co-fundadora de Código Máquina, productos de cosmética natural SINHAKI:
https://www.amazon.com.mx/stores/sinH...

El código del video está disponible en GitHub https://github.com/CodigoMaquina/code


#AprendizajeAutomatizado #MachineLearning #AprendizajeDeMaquina #DataScience #ScikitLearn #SkLearn #CienciaDeDatos