Hamming Loss (Pérdida de Hamming)

Es una métrica utilizada para evaluar el rendimiento de modelos de aprendizaje automático en tareas de clasificación multietiqueta.

Calcula la proporción de etiquetas incorrectamente clasificadas en relación con el total de etiquetas posibles.

Se centra en cuantificar errores tanto de falsos positivos como de falsos negativos, distribuyendo de manera uniforme la penalización.

Matemáticamente, se define como la suma de discrepancias entre las predicciones y las etiquetas reales dividida por el producto del número total de muestras y etiquetas.

Es especialmente útil cuando todas las etiquetas tienen la misma importancia y cuando se busca un equilibrio entre precisión y sensibilidad.