logongas

Herramientas de usuario

Herramientas del sitio

Traza:
clase:iabd:pia:2eval:tema07-apendices

Diferencias

Muestra las diferencias entre dos versiones de la página.

Enlace a la vista de comparación

Ambos lados, revisión anterior Revisión previa
clase:iabd:pia:2eval:tema07-apendices [2024/03/19 14:12]
admin [Métricas] 		clase:iabd:pia:2eval:tema07-apendices [2024/03/19 17:04] (actual)
admin [Más métricas]
Línea 308: Línea 308:
 P(Enfermo)&=&\frac{TP+FN}{TP+FN+FP+TN} P(Enfermo)&=&\frac{TP+FN}{TP+FN+FP+TN}
 \\ \\
 +
 +
 +
 P(Sano)&=&\frac{FP+TN}{TP+FN+FP+TN} P(Sano)&=&\frac{FP+TN}{TP+FN+FP+TN}
 \\ \\
Línea 402: Línea 405:
 DOR=\frac{LR+}{LR-}=\frac{\frac{TPR}{1-TNR}}{\frac{1-TPR}{TNR}}=\frac{Sensibilidad*Especificidad}{(1-Sensibilidad)(1-Especificidad)} DOR=\frac{LR+}{LR-}=\frac{\frac{TPR}{1-TNR}}{\frac{1-TPR}{TNR}}=\frac{Sensibilidad*Especificidad}{(1-Sensibilidad)(1-Especificidad)}
 $$ $$
 +
 +==== Matthews Correlation Coefficient o MMC ====
 +Es otra métrica pero que tiene en cuenta que los datos no estén balanceados. 
 +
 +El MMC tiene un valor entre -1 a 1. Siendo:
 +  * 1 : El clasificador funciona perfectamente
 +  * 0 : El clasificador acierta aleatoriamente
 +  * -1 : El clasificador acierta peor que aleatoriamente, es decir que clasifica al revés "perfectamente"
 +
 +$$MCC = \frac{ \mathit{TP} \times \mathit{TN} - \mathit{FP} \times \mathit{FN} } {\sqrt{ (\mathit{TP} + \mathit{FP}) ( \mathit{TP} + \mathit{FN} ) ( \mathit{TN} + \mathit{FP} ) ( \mathit{TN} + \mathit{FN} ) } }$$
 +
 +
 +Podemos hacer uso de la métrica con la función ''sklearn.metrics.matthews_corrcoef'' de sklearn
 +
 +Ejemplo de uso:
 +<sxh python>
 +from sklearn.metrics import matthews_corrcoef
 +
 +y_true = [1,1,1,1,0,0,0,0]
 +y_pred = [1,1,1,1,0,0,0,0]
 +print("Valor para una predicción que acierta siempre=",matthews_corrcoef(y_true,y_pred))
 +
 +y_true = [1,1,1,1,0,0,0,0]
 +y_pred = [1,1,0,0,1,1,0,0]
 +print("Valor para una predicción que acierta la mitad=",matthews_corrcoef(y_true,y_pred))
 +
 +y_true = [1,1,1,1,0,0,0,0]
 +y_pred = [0,0,0,0,1,1,1,1]
 +print("Valor para una predicción que nunca acierta=",matthews_corrcoef(y_true,y_pred))
 +</sxh>
 +
 +
 +<sxh base>
 +Valor para una predicción que acierta siempre= 1.0
 +Valor para una predicción que acierta la mitad= 0.0
 +Valor para una predicción que nunca acierta= -1.0
 +</sxh>
 +
 +
 +
 +
 +
 +Mas información:
 +  * [[https://scikit-learn.org/stable/modules/generated/sklearn.metrics.matthews_corrcoef.html|sklearn.metrics.matthews_corrcoef]]
 +  * [[https://towardsdatascience.com/the-best-classification-metric-youve-never-heard-of-the-matthews-correlation-coefficient-3bf50a2f3e9a|Matthews Correlation Coefficient is The Best Classification Metric You’ve Never Heard Of]]
 +  * [[https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5721660/|Ten quick tips for machine learning in computational biology]]
 +  * [[https://medium.com/@cdefaux/phi-coefficient-a-k-a-matthews-correlation-coefficient-binary-classification-11e2c29db91e|Phi Coefficient A.K.A Matthews Correlation Coefficient (Binary Classification)]]
 +  * {{ :clase:iabd:pia:2eval:the_advantages_of_the_matthews_correlation_coeffic.pdf |The advantages of the Matthews correlation coefficient (MCC) over F1 score and accuracy in binary classification evaluation}}
 +  * [[https://en.wikipedia.org/wiki/Phi_coefficient|Phi coefficient-Wikipedia]]
 +
 +
 +
 +
 +
  
clase/iabd/pia/2eval/tema07-apendices.1710853963.txt.gz · Última modificación: 2024/03/19 14:12 por admin

Herramientas de la página

Excepto donde se indique lo contrario, el contenido de este wiki esta bajo la siguiente licencia: GNU Free Documentation License 1.3
GNU Free Documentation License 1.3 Donate Powered by PHP Valid HTML5 Valid CSS Driven by DokuWiki