Respuesta correcta
- BUna tabla que muestra los recuentos de predicciones correctas e incorrectas desglosadas por clase predicha frente a clase real
Explicación
Una matriz de confusión es una disposición tabular específica que permite visualizar el rendimiento de un modelo de clasificación. Muestra los recuentos de predicciones de verdaderos positivos, verdaderos negativos, falsos positivos y falsos negativos, desglosados por cada clase real frente a cada clase predicha. Esto te indica directamente no solo la precisión general, sino también los tipos de errores que comete el modelo, lo cual es fundamental para evaluar clasificadores en Azure Machine Learning.
Para profundizar
La matriz de confusión es una herramienta fundamental en la evaluación de la clasificación supervisada porque descompone el comportamiento predictivo de un modelo en cuatro categorías: verdaderos positivos, verdaderos negativos, falsos positivos y falsos negativos. Si bien la precisión simplemente suma las predicciones correctas divididas por las predicciones totales, la matriz de confusión permite métricas más ricas como la precisión (positive predictive value) y la recuperación (sensitivity), que se vuelven críticas cuando las clases están desequilibradas. Por ejemplo, en una prueba de detección médica con una enfermedad rara, un modelo podría tener un 99% de precisión al predecir siempre 'sin enfermedad', pero la matriz de confusión revelaría cero verdaderos positivos y una recuperación del 0%, exponiendo que el modelo es inútil. En la clasificación multiclase, la matriz se expande a una cuadrícula N x N, donde cada fila es la clase real y cada columna es la clase predicha, lo que permite que las celdas diagonales representen predicciones correctas y las celdas fuera de la diagonal muestren clasificaciones erróneas específicas. Una idea errónea común es que una matriz de confusión mide la incertidumbre o confianza del modelo; no lo hace, solo cuenta los resultados categóricos. Los servicios de Azure AI, como el aprendizaje automático automatizado en Azure Machine Learning, generan matrices de confusión como parte de la interpretabilidad del modelo, lo que ayuda a los profesionales a detectar rápidamente sesgos sistemáticos, como un modelo que clasifica erróneamente con frecuencia a un grupo étnico o franja de edad, lo cual es esencial para las prácticas de IA responsable y la auditoría de equidad.
Sobre estas preguntas de práctica
Esta es una de las preguntas de práctica originales de AI-900 de Courseiva, escrita para aprender y nunca copiada de exámenes reales ni de dumps.
Traducida del original en inglés con IA y revisada para comprobar el sentido. Los códigos de examen, los comandos y los nombres de productos se mantienen tal como aparecen en el examen.