MediaOpción múltiple

Pregunta de práctica de AI-900

¿Qué es una 'matriz de confusión' y qué te indica sobre un modelo de clasificación?

Elige la mejor respuesta.

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.

Por qué cada opción es correcta o incorrecta

A

Incorrecta

Una medida de cuán confundidos están los usuarios al interactuar con las predicciones de un sistema de IA

El nombre 'matriz de confusión' se refiere a que el modelo está 'confundido' acerca de qué clases asignar, no a la confusión psicológica del usuario final. La confusión del usuario es un constructo de investigación de UX, medido a menudo a través del tiempo de finalización de tareas, tasas de error o encuestas de satisfacción. Una matriz de confusión no tiene ningún componente de usuario; es un artefacto de evaluación puramente cuantitativo utilizado por los científicos de datos para diagnosticar errores de algoritmos de clasificación.

B

Correcta

Una tabla que muestra los recuentos de predicciones correctas e incorrectas desglosadas por clase predicha frente a clase real

Una matriz de confusión es una tabulación cruzada de las etiquetas de clase predichas frente a las etiquetas de clase reales, donde cada celda cuenta cuántas instancias caen en esa combinación. En la clasificación binaria, esto produce verdaderos positivos, verdaderos negativos, falsos positivos y falsos negativos, a partir de los cuales se pueden derivar la precisión, la recuperación, la puntuación F1 y la exactitud. Es la respuesta técnica correcta porque revela directamente no solo la corrección general, sino los tipos específicos de errores que comete el modelo.

C

Incorrecta

Una representación gráfica de la confianza del modelo en todo su conjunto de datos de prueba

Una matriz de confusión no es una representación gráfica de la confianza del modelo. La confianza se visualiza típicamente con diagramas de fiabilidad (curvas de calibración) o histogramas de probabilidades predichas, que muestran cómo las probabilidades de salida del modelo se alinean con los resultados reales. En su lugar, una matriz de confusión muestra recuentos discretos de etiquetas de clase predichas frente a reales, independientemente de las puntuaciones de probabilidad.

D

Incorrecta

Un diagrama que compara la precisión de múltiples modelos en el mismo conjunto de prueba

Esto describe una técnica de comparación de modelos, como un gráfico de barras de puntuaciones de precisión o curvas ROC superpuestas en el mismo gráfico. Una matriz de confusión evalúa las predicciones de un solo modelo, cuantificando exactamente dónde comete errores ese modelo (por ejemplo, falsos positivos frente a falsos negativos). No compara directamente a los competidores; cualquier comparación de modelos requeriría matrices de confusión separadas o métricas agregadas.

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.