Muestra las diferencias entre dos versiones de la página.
Ambos lados, revisión anterior Revisión previa Próxima revisión | Revisión previa | ||
clase:iabd:pia:2eval:tema07-apendices [2024/03/19 14:04] admin [Juntado dos Métricas derivadas] |
clase:iabd:pia:2eval:tema07-apendices [2024/03/19 17:04] (actual) admin [Más métricas] |
||
---|---|---|---|
Línea 233: | Línea 233: | ||
===== Métricas ===== | ===== Métricas ===== | ||
+ | Las métricas que ya las hemos explicado en el tema de métricas son: | ||
+ | * Métricas básicas (Sensibilidad, | ||
+ | * Métricas derivadas según el teorema de bayes (PPV,NPV, FDR y FOR) | ||
+ | Las métricas que ahora vamos a ver son métricas que hacen la media entre alguna de las dos métricas que acabamos de indicar. | ||
+ | |||
+ | Para organizar las métricas según 2 criterios: | ||
+ | * Según que métricas juntan | ||
+ | * Métricas básicas (Sensibilidad, | ||
+ | * Métricas derivadas (PPV,NPV, FDR y FOR) | ||
+ | * Métricas mixtas, que usa una básica y otra derivada. | ||
+ | * Según la fórmula que usan: | ||
+ | * Media aritmética | ||
+ | * Media armónica | ||
+ | * Media geométrica | ||
+ | * L1-Norma | ||
+ | * L2-Norma | ||
+ | * Ratio | ||
==== Juntado dos Métricas Básicas ==== | ==== Juntado dos Métricas Básicas ==== | ||
- | ^ ^ Fórmula que usan ^^^^^ | + | ^ ^ Fórmula que usan |
- | ^ Métricas básicas que usan ^ Media aritmética | + | ^ Métricas básicas que usan ^ Media aritmética |
- | | Sensibilidad (TPR) y Especificidad (TNR) | | | | $Informedness=TPR+TNR-1$ | | | + | | Sensibilidad (TPR) y Especificidad (TNR) | | | | $Informedness=TPR+TNR-1$ |
- | | Sensibilidad (TPR) y FPR | | | | | + | | Sensibilidad (TPR) y FPR |
- | | Especificidad (TNR) y FNR | | | | | + | | Especificidad (TNR) y FNR |
| FPR y FNR | | | | | FPR y FNR | | | | ||
Línea 245: | Línea 262: | ||
==== Juntado dos Métricas derivadas ==== | ==== Juntado dos Métricas derivadas ==== | ||
- | ^ ^ Fórmula que usan ^^^^^ | + | ^ ^ Fórmula que usan |
- | ^ Métricas básicas que usan ^ Media aritmética | + | ^ Métricas básicas que usan ^ Media aritmética |
- | | PPV y NPV | | | | $Markdness=PPV+NPV-1$ | | | + | | PPV y NPV | | | | $Markdness=PPV+NPV-1$ |
- | | PPV y FOR | | | | | + | | PPV y FOR | | | | |
- | | NPV y FDR | | | | | + | | NPV y FDR | | | | |
- | | FDR y FOR | | | | | + | | FDR y FOR | | | | |
- | ===== Métricas mixtas | + | ==== Métricas mixtas ==== |
Son métricas que juntan una métrica básica con una métrica derivada. Debido a que existen 16 combinaciones no vamos a mostrar todas las que existen, sino solo las que he considerado interesantes. | Son métricas que juntan una métrica básica con una métrica derivada. Debido a que existen 16 combinaciones no vamos a mostrar todas las que existen, sino solo las que he considerado interesantes. | ||
* La siguiente tabla son métricas que existen (Tienen nombre) | * La siguiente tabla son métricas que existen (Tienen nombre) | ||
- | ^ ^ Fórmula que usan ^^^^^ | + | ^ ^ Fórmula que usan |
- | ^ Métricas básicas que usan ^ Media aritmética | + | ^ Métricas básicas que usan ^ Media aritmética |
- | | PPV y Sensibilidad (TPR) | | $F_{1}score=\frac{2}{\frac{1}{PPV}+\frac{1}{TPR}}$ | + | | PPV y Sensibilidad (TPR) | | $F_{1}score=\frac{2}{\frac{1}{PPV}+\frac{1}{TPR}}$ |
- | | NPV y Especificidad (TNR) | | | | | + | | NPV y Especificidad (TNR) | | | | |
===== Más métricas ===== | ===== Más métricas ===== | ||
- | |||
- | |||
- | ==== Fowlkes-Mallows ==== | ||
- | |||
- | |||
- | $$ | ||
- | Fowlkes-Mallows \; index=\sqrt{PPV*TPR} | ||
- | $$ | ||
- | |||
Línea 300: | Línea 308: | ||
P(Enfermo)& | P(Enfermo)& | ||
\\ | \\ | ||
+ | |||
+ | |||
+ | |||
P(Sano)& | P(Sano)& | ||
\\ | \\ | ||
Línea 394: | 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, | ||
+ | |||
+ | $$MCC = \frac{ \mathit{TP} \times \mathit{TN} - \mathit{FP} \times \mathit{FN} } {\sqrt{ (\mathit{TP} + \mathit{FP}) ( \mathit{TP} + \mathit{FN} ) ( \mathit{TN} + \mathit{FP} ) ( \mathit{TN} + \mathit{FN} ) } }$$ | ||
+ | |||
+ | |||
+ | Podemos hacer uso de la métrica con la función '' | ||
+ | |||
+ | Ejemplo de uso: | ||
+ | <sxh python> | ||
+ | from sklearn.metrics import matthews_corrcoef | ||
+ | |||
+ | y_true = [1, | ||
+ | y_pred = [1, | ||
+ | print(" | ||
+ | |||
+ | y_true = [1, | ||
+ | y_pred = [1, | ||
+ | print(" | ||
+ | |||
+ | y_true = [1, | ||
+ | y_pred = [0, | ||
+ | print(" | ||
+ | </ | ||
+ | |||
+ | |||
+ | <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 | ||
+ | </ | ||
+ | |||
+ | |||
+ | |||
+ | |||
+ | |||
+ | Mas información: | ||
+ | * [[https:// | ||
+ | * [[https:// | ||
+ | * [[https:// | ||
+ | * [[https:// | ||
+ | * {{ : | ||
+ | * [[https:// | ||
+ | |||
+ | |||
+ | |||
+ | |||
+ | |||