Métricas de Evaluación en Inteligencia Artificial

Para saber si un modelo de Inteligencia Artificial funciona bien, necesitamos medir su rendimiento. Las métricas de evaluación nos permiten comparar modelos, detectar errores y mejorar resultados. En esta guía aprenderás las métricas más importantes en clasificación y regresión.

1. Métricas para clasificación

En clasificación, el objetivo es predecir categorías. Las métricas evalúan cuántas predicciones fueron correctas y cómo se comporta el modelo en diferentes situaciones.

Accuracy

El accuracy mide el porcentaje de predicciones correctas.

# Fórmula
accuracy = predicciones_correctas / total_predicciones

# Ejemplo
predicciones_correctas = 80
total = 100
accuracy = 0.80  # 80%

Precision y Recall

Estas métricas son esenciales cuando las clases están desbalanceadas.

• Precision: de todas las predicciones positivas, cuántas fueron correctas.
• Recall: de todos los casos positivos reales, cuántos detectó el modelo.

# Ejemplo conceptual
precision = 0.90
recall = 0.70

F1‑Score

El F1‑Score combina precision y recall en una sola métrica. Es útil cuando necesitas un equilibrio entre ambas.

# Fórmula
F1 = 2 * (precision * recall) / (precision + recall)

2. Métricas para regresión

En regresión, el objetivo es predecir valores numéricos. Las métricas miden qué tan lejos están las predicciones de los valores reales.

MAE (Mean Absolute Error)

El MAE mide el error promedio absoluto entre predicciones y valores reales.

# Fórmula
MAE = promedio(|predicción - real|)

MSE (Mean Squared Error)

El MSE eleva al cuadrado los errores, penalizando más los errores grandes.

# Fórmula
MSE = promedio((predicción - real)^2)

3. Ejercicios

# pista accuracy
70 / 100 = 0.70

# pista F1
F1 = 2 * (0.8 * 0.6) / (0.8 + 0.6)

4. Mini‑proyecto: Evalúa tu dataset

Crea un pequeño conjunto de predicciones ficticias y calcula:

• Accuracy
• Precision
• Recall
• F1‑Score
• MAE
• MSE

Esto te preparará para evaluar modelos reales en las próximas guías.

Siguiente guía