Confusion Matrix Calculator

Esta calculadora de matriz de confusión determina varias medidas estadísticas vinculadas al rendimiento de los modelos de clasificación como: Sensibilidad, Especificidad, Valor Predictivo Positivo (Precisión), Valor Predictivo Negativo, Tasa de Falso Positivo, Tasa de Descubrimiento Falso, Tasa de Falso Negativo, Precisión y Coeficiente de Correlación de Matthews .

Medidas estadísticas basadas en la matriz de confusión

La matriz de confusión es la representación popular del desempeño de los modelos de clasificación e incluye los valores clasificados correcta e incorrectamente en comparación con los resultados reales en los datos de prueba. Las cuatro variables son:

Verdadero positivo (TP) - que es el resultado en el que el modelo predice correctamente la clase positiva (la condición se detecta correctamente cuando está presente);

Verdadero negativo (TN) - que es el resultado en el que el modelo predice correctamente la clase negativa (la condición no se detecta cuando está ausente);

Falso positivo (FP): que es el resultado en el que el modelo predice incorrectamente la clase positiva (la condición se detecta a pesar de estar ausente);

Falso negativo (FN): que es el resultado en el que el modelo predice incorrectamente la clase negativa (la condición no se detecta a pesar de estar presente).

Una de las medidas estadísticas más comúnmente determinadas es la Sensibilidad (también conocida como recuperación, tasa de aciertos o tasa positiva verdadera TPR). La sensibilidad mide la proporción de positivos reales que se identifican correctamente como positivos.

Sensibilidad = TP / (TP + FN)

La especificidad, también conocida como selectividad o tasa de verdaderos negativos (TNR), mide la proporción de negativos reales que se identifican correctamente como negativos.

Especificidad = TN / (FP + TN)

El valor predictivo positivo (VPP), también conocido como precisión y el valor predictivo negativo (VPN) son la proporción de resultados positivos y negativos que son verdaderos positivos, respectivamente verdaderos negativos. También se denominan acuerdos predictivos positivos o negativos y son medidas del rendimiento de una prueba de diagnóstico.

Valor predictivo positivo (precisión) = TP / (TP + FP)

Valor predictivo negativo = TN / (TN + FN)

La tasa de falsos positivos (FPR) o caída es la relación entre el número de eventos negativos categorizados incorrectamente como positivos (falsos positivos) y el número total de eventos negativos reales (independientemente de la clasificación).

Tasa de falsos positivos = FP / (FP + TN)

La Tasa de Descubrimiento Falso (FDR) es un enfoque estadístico utilizado en pruebas de hipótesis múltiples para corregir comparaciones múltiples.

Tasa de descubrimiento falso = FP / (FP + TP)

La Tasa de Falso Negativo (FNR) mide la proporción de individuos en los que existe una condición para la cual el resultado de la prueba es negativo.

Tasa de falsos negativos = FN / (FN + TP)

La precisión (ACC) es una medida de sesgo estadístico

Precisión = (TP + TN) / (TP + TN + FP + FN)

La puntuación F1 es una medida de la precisión de una prueba, definida como la media armónica de precisión y recuperación.

Puntuación F1 = 2TP / (2TP + FP + FN)

El coeficiente de correlación de Matthews (MCC) describe cómo cambiar el valor de una variable afectará el valor de otra y devuelve un valor entre -1 y 1:

+1 describe una predicción perfecta;

0 incapaz de devolver información válida (no mejor que una predicción aleatoria);

-1 describe una completa inconsistencia entre la predicción y la observación.

Coeficiente de correlación de Matthews = (TP x TN - FP x FN) / (sqrt ((TP + FP) x (TP + FN) x (TN + FP) x (TN + FN)))