Texte & documents

Nombres & calcul

Données & formats

Sécurité

Développement & DevOps

Intelligence artificielle

Finances

Santé et bien-être

Productivité

Jeux et divertissement

Multimédia & design

Entreprise

Qué es y para qué sirve

Evalúa un clasificador binario (predice sí/no, 1/0). El modelo no suelta un veredicto, sino una puntuación de 0 a 1 —la probabilidad de ser clase 1— y tú decides dónde cortar. Esta herramienta genera datos de ejemplo y te muestra en vivo cómo se evalúa: histograma de puntuaciones, matriz de confusión, métricas y las curvas ROC y PR. Todo se recalcula al instante en tu navegador; no hay que entrenar nada.

Los controles: un dataset de juguete

Los datos son sintéticos para que experimentes sin traer los tuyos:

• Calidad — lo bueno que es el clasificador: 0 = azar (las puntuaciones de positivos y negativos se solapan), 1 = casi perfecto (se separan limpiamente).
• Balance — la fracción de ejemplos que son positivos; bájalo para simular clases desbalanceadas.
• Muestras — cuántos ejemplos generar (100–1000).
• Regenerar — vuelve a sortear los datos con otra semilla manteniendo los ajustes, para ver la variabilidad.

El umbral lo decide todo

El umbral es la línea de corte: puntuación ≥ umbral → se predice positivo. En el histograma, las barras son las puntuaciones de los negativos (0) y los positivos (1); la línea vertical es tu umbral. Muévelo y observa: bajarlo captura más positivos reales (más recall) pero cuela más falsas alarmas (menos precisión); subirlo hace lo contrario. No existe un umbral perfecto: depende de qué error te cuesta más caro.

La matriz de confusión, celda a celda

Cruza lo real (filas) con lo predicho (columnas) al umbral actual:

• TP (verdadero positivo) — era 1 y acertaste 1: un positivo bien cazado.
• FN (falso negativo) — era 1 y dijiste 0: un positivo que se te escapa.
• FP (falso positivo) — era 0 y dijiste 1: una falsa alarma.
• TN (verdadero negativo) — era 0 y acertaste 0: un negativo bien descartado.

La diagonal TP + TN (verde) son los aciertos; fuera de ella FP + FN (rojo) los errores. El color se intensifica con el recuento.

Las métricas y qué significa cada una

Se calculan sobre las cuatro celdas:

• Exactitud = (TP+TN)/total — porcentaje de aciertos. Engaña si las clases están desbalanceadas.
• Precisión = TP/(TP+FP) — de lo que marcas positivo, cuánto acierta.
• Recall (TPR o sensibilidad) = TP/(TP+FN) — de los positivos reales, cuántos pillas.
• Especificidad = TN/(TN+FP) — de los negativos reales, cuántos descartas.
• F1 = media armónica de precisión y recall 2·P·R/(P+R) — un único número que premia el equilibrio entre ambas.

ROC y AUC

La curva ROC recorre TODOS los umbrales a la vez, enfrentando aciertos (TPR = recall) contra falsas alarmas (FPR = FP/(FP+TN)). El punto marcado es tu umbral actual y la diagonal es el azar. El AUC (área bajo la curva) resume la calidad sin depender del umbral: 1 = perfecto, 0.5 = azar. Equivale a la probabilidad de que un positivo al azar puntúe más alto que un negativo al azar.

PR, AP y el desbalanceo

La curva PR enfrenta precisión contra recall a lo largo de los umbrales; su resumen es el AP (precisión media). La línea base horizontal es la fracción de positivos: lo que sacaría un clasificador aleatorio. Con clases muy desbalanceadas esa línea se hunde y superarla de verdad cuesta —por eso la PR es más honesta que la exactitud cuando hay pocos positivos—. Baja el «Balance» y compruébalo.

¿ROC o PR? cuándo usar cada una

• Usa la ROC/AUC cuando las clases están equilibradas o te importan por igual aciertos y falsas alarmas; es robusta y fácil de comparar entre modelos.
• Usa la PR/AP cuando los positivos son raros (fraude, enfermedad, spam) y lo que te importa es acertar en ellos: la ROC puede parecer estupenda mientras la precisión real es pobre.

Truco: baja la «Calidad» y verás la ROC pegarse a la diagonal; baja el «Balance» y verás cómo la exactitud miente pero el AP no.

Matrice de confusion, ROC et PR

Évalue un classifieur binaire : déplace le seuil et observe les métriques et les courbes en direct

Qualité

0.600

Balance

50.0%

Échantillons

500

Scores du modèle

Négatifs (0)Positifs (1)← Seuil 0.500 →

Matrice de confusion

	Prédiction
Réel	1	0
1	220TP	26FN
0	29FP	225TN

Exactitude89.0%

Précision88.4%

Rappel (TPR)89.4%

Spécificité88.6%

F10.889

ROC · AUC = 0.960

FPR (fausses alarmes)↑ TPR (succès)

PR · AP = 0.959

Rappel↑ Précision

Choisir le seuil et lire ces courbes est le quotidien de l'évaluation d'un modèle. Essaie : baisse la «qualité» et regarde la ROC coller à la diagonale ; baisse le «balance» et vois comment l'exactitude ment mais pas l'AP. Voir aussi : Test d'hypothèses et Réseau de neurones.