Machine Learning · Decisión y evaluación

Threshold Lab

El modelo entrega probabilidades. El umbral convierte esas probabilidades en decisiones. Muévelo y observa cómo cada cambio reorganiza TP, TN, FP y FN, modificando simultáneamente accuracy, precision, recall, specificity y F1.

Accuracy

—

aciertos totales

Precision

—

calidad de positivos

Recall

—

positivos detectados

Specificity

—

negativos detectados

—

balance P/R

Pred. positivas

—

p ≥ c

Probabilidades observación por observación

c = 0.50

Real 0 Real 1 Borde amarillo = error de clasificación

Matriz de confusión

Resultado actual

Real 0

Real 1

Pred. 0

negativos correctos

positivos perdidos

Pred. 1

falsas alarmas

positivos detectados

Precision ↔ Recall

Trade-off

Precision—

Recall—

Lectura completa

Didáctica

Métrica	Pregunta que responde	Valor
Accuracy	¿Cuánto acierta en total?	—
Precision	¿Cuántos positivos predichos eran reales?	—
Recall	¿Cuántos positivos reales detectó?	—
Specificity	¿Cuántos negativos reales detectó?	—
F1	¿Cómo equilibra precision y recall?	—

Interpretación automática

Umbral → decisión

Qué observar

Ideas clave

1 · El modelo no cambiaAl mover c no reentrenamos la regresión logística. Cambiamos la regla que convierte probabilidades en clases.

2 · Un error baja mientras otro subeUmbrales bajos suelen reducir FN y elevar FP; umbrales altos suelen hacer lo contrario.

3 · No existe una métrica universalLa métrica relevante depende del problema y del costo relativo de falsos positivos y falsos negativos.