Matriz de Confusión | Efectividad del Modelo de Clasificación
|Una matriz de confusión describe el rendimiento del modelo de clasificación. En otras palabras, la matriz de confusión es una forma de resumir el rendimiento del clasificador.
![](https://consultorjava.com/blog/wp-content/uploads/2020/09/matriz_confusion_jlbugarin-300x98.png)
En la siguiente grafica, tenemos la apariencia y los elementos de una matriz de confusión:
En donde:
TN (True negative): Este es el recuento de resultados que originalmente fueron negativos y se predijeron negativos.
FP (falso positivo): Este es el recuento de resultados que fueron originalmente negativos pero que se predijeron positivos. Este error también se denomina error de tipo 1
FN (Falso negativo): Este es el recuento de resultados que fueron originalmente positivos pero se predijeron negativos. Este error también se denomina error de tipo 2.
TP (verdadero positivo): Este es el recuento de resultados que fueron originalmente positivos y se predijeron como positivos.
El objetivo de todos los algoritmos de aprendizaje automático (machine learning) y aprendizaje profundo(deep learning) es maximizar TN y TP y minimizar FN y FP.