Matriz de Confusión

Es una herramienta utilizada para evaluar el rendimiento de un modelo de clasificación.

Se presenta como una tabla de doble entrada que compara las predicciones del modelo con los valores reales de las clases.

Consta de cuatro elementos principales: Verdaderos Positivos (VP), Verdaderos Negativos (VN), Falsos Positivos (FP) y Falsos Negativos (FN), que permiten analizar el funcionamiento del modelo.

Es fundamental para calcular métricas adicionales como la precisión, la sensibilidad, la especificidad y el F1-score.

Ayuda a identificar patrones de error o desequilibrios en el desempeño del modelo entre las distintas clases.

Resulta especialmente útil en problemas de clasificación binaria o multiclase para optimizar el diseño y entrenar modelos más precisos.