{"id":174197,"date":"2024-08-29T07:30:00","date_gmt":"2024-08-29T06:30:00","guid":{"rendered":"https:\/\/datascientest.com\/es\/?p=174197"},"modified":"2024-08-26T15:52:59","modified_gmt":"2024-08-26T14:52:59","slug":"metricas-en-machine-learning","status":"publish","type":"post","link":"https:\/\/datascientest.com\/es\/metricas-en-machine-learning","title":{"rendered":"M\u00e9tricas en Machine Learning: Todo lo que necesitas saber"},"content":{"rendered":"\t\t<div data-elementor-type=\"wp-post\" data-elementor-id=\"174197\" class=\"elementor elementor-174197\" data-elementor-post-type=\"post\">\n\t\t\t\t\t\t\t<div class=\"elementor-element elementor-element-4b76d54 e-flex e-con-boxed e-con\" data-id=\"4b76d54\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-915c212 elementor-widget elementor-widget-heading\" data-id=\"915c212\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<style>\/*! elementor - v3.15.0 - 02-08-2023 *\/\n.elementor-heading-title{padding:0;margin:0;line-height:1}.elementor-widget-heading .elementor-heading-title[class*=elementor-size-]>a{color:inherit;font-size:inherit;line-height:inherit}.elementor-widget-heading .elementor-heading-title.elementor-size-small{font-size:15px}.elementor-widget-heading .elementor-heading-title.elementor-size-medium{font-size:19px}.elementor-widget-heading .elementor-heading-title.elementor-size-large{font-size:29px}.elementor-widget-heading .elementor-heading-title.elementor-size-xl{font-size:39px}.elementor-widget-heading .elementor-heading-title.elementor-size-xxl{font-size:59px}<\/style><p class=\"elementor-heading-title elementor-size-default\">Despu\u00e9s de desarrollar un modelo de Machine Learning, es importante poder evaluar su rendimiento para medir su eficacia. Para comparar de manera objetiva varios modelos entre s\u00ed, el uso de m\u00e9tricas es indispensable. Comprender y saber utilizar estas m\u00e9tricas es esencial para desarrollar un modelo de Machine Learning eficaz. En este art\u00edculo, descubrir\u00e1s las principales m\u00e9tricas utilizadas para evaluar un modelo de Machine Learning.<\/p>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t<div class=\"elementor-element elementor-element-1d881fb e-flex e-con-boxed e-con\" data-id=\"1d881fb\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-95b4a03 elementor-widget elementor-widget-heading\" data-id=\"95b4a03\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h3 class=\"elementor-heading-title elementor-size-default\">\u00bfQu\u00e9 es una m\u00e9trica en Machine Learning?<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-514adf1 elementor-widget elementor-widget-text-editor\" data-id=\"514adf1\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<style>\/*! elementor - v3.15.0 - 02-08-2023 *\/\n.elementor-widget-text-editor.elementor-drop-cap-view-stacked .elementor-drop-cap{background-color:#69727d;color:#fff}.elementor-widget-text-editor.elementor-drop-cap-view-framed .elementor-drop-cap{color:#69727d;border:3px solid;background-color:transparent}.elementor-widget-text-editor:not(.elementor-drop-cap-view-default) .elementor-drop-cap{margin-top:8px}.elementor-widget-text-editor:not(.elementor-drop-cap-view-default) .elementor-drop-cap-letter{width:1em;height:1em}.elementor-widget-text-editor .elementor-drop-cap{float:left;text-align:center;line-height:1;font-size:50px}.elementor-widget-text-editor .elementor-drop-cap-letter{display:inline-block}<\/style>\t\t\t\t<p><span style=\"font-weight: 400;\">El <\/span><a href=\"https:\/\/datascientest.com\/es\/machine-learning-definicion-funcionamiento-usos\">Machine Learning<\/a> permite a los ordenadores aprender y hacer <b>predicciones<\/b><span style=\"font-weight: 400;\"> o tomar <\/span><b>decisiones basadas en datos<\/b><span style=\"font-weight: 400;\">.<\/span><\/p><p><span style=\"font-weight: 400;\">Existen dos tipos de aprendizaje: el aprendizaje supervisado o el aprendizaje no supervisado.<\/span><\/p><p><span style=\"font-weight: 400;\">En este art\u00edculo, nos situaremos en un marco supervisado. Para tener m\u00e1s detalles sobre las bases del Machine Learning y la diferencia entre estos dos tipos de aprendizaje, te recomendamos leer <a href=\"https:\/\/datascientest.com\/es\/machine-learning-definicion-funcionamiento-usos\">este art\u00edculo<\/a> que te presentar\u00e1 los conceptos clave del Machine Learning que te ser\u00e1n \u00fatiles para entender el uso de las m\u00e9tricas en un modelo de Machine Learning.<\/span><\/p><p><span style=\"font-weight: 400;\">Una m\u00e9trica es un valor num\u00e9rico que permite <\/span><b>cuantificar la calidad de las predicciones de un modelo<\/b><span style=\"font-weight: 400;\">. Su papel es esencial durante todas las etapas del desarrollo de un modelo de Machine Learning, ya que permite determinar si un modelo cumple con nuestras expectativas. En funci\u00f3n de los resultados obtenidos, las m\u00e9tricas permiten comparar objetivamente varios modelos entre s\u00ed, elegir el modelo m\u00e1s efectivo o cambiar los <\/span><b>hiperpar\u00e1metros<\/b><span style=\"font-weight: 400;\"> de un modelo.<\/span><\/p><p><span style=\"font-weight: 400;\">Un buen dominio de las diferentes m\u00e9tricas es esencial para desplegar un modelo eficaz.<\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-5590045 elementor-align-center button-principal elementor-widget elementor-widget-button\" data-id=\"5590045\" data-element_type=\"widget\" data-widget_type=\"button.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"elementor-button-wrapper\">\n\t\t\t<a class=\"elementor-button elementor-button-link elementor-size-md\" href=\"https:\/\/datascientest.com\/es\/formacion-data-scientist\">\n\t\t\t\t\t\t<span class=\"elementor-button-content-wrapper\">\n\t\t\t\t\t\t<span class=\"elementor-button-text\">Aprenda a desplegar modelos ML<\/span>\n\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t<div class=\"elementor-element elementor-element-76fe5bb e-flex e-con-boxed e-con\" data-id=\"76fe5bb\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-5929784 elementor-widget elementor-widget-heading\" data-id=\"5929784\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h3 class=\"elementor-heading-title elementor-size-default\">\u00bfQu\u00e9 m\u00e9trica elegir para mi modelo?<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-d4164f3 elementor-widget elementor-widget-text-editor\" data-id=\"d4164f3\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400;\">Para <\/span><b>elegir la m\u00e9trica apropiada<\/b><span style=\"font-weight: 400;\">, es importante entender el contexto del problema y los objetivos del modelo. Existen muchas m\u00e9tricas, y te presentaremos algunas de ellas y sus ventajas.<\/span><\/p><p><span style=\"font-weight: 400;\">En un marco de aprendizaje supervisado, hay que empezar por determinar el <\/span><b>tipo de predicci\u00f3n<\/b><span style=\"font-weight: 400;\"> que el modelo debe realizar. Si el modelo debe predecir un valor num\u00e9rico (por ejemplo, el precio de una vivienda), se trata de un problema de regresi\u00f3n (por ejemplo, regresi\u00f3n lineal). En el caso contrario, si el modelo debe predecir un <\/span><b>valor categ\u00f3rico<\/b><span style=\"font-weight: 400;\"> (por ejemplo, la presencia o no de fraude en una transacci\u00f3n bancaria), estamos en un contexto de clasificaci\u00f3n. Las m\u00e9tricas utilizadas en modelos de regresi\u00f3n son de hecho diferentes de las utilizadas en modelos de clasificaci\u00f3n.<\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-81a3e45 elementor-widget elementor-widget-heading\" data-id=\"81a3e45\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h4 class=\"elementor-heading-title elementor-size-medium\">A. M\u00e9tricas de regresi\u00f3n<\/h4>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-b498379 elementor-widget elementor-widget-text-editor\" data-id=\"b498379\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400;\">En este art\u00edculo, te presentaremos dos de las principales m\u00e9tricas de regresi\u00f3n: el error cuadr\u00e1tico medio y el error absoluto medio.<\/span><\/p><ul><li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\">El error cuadr\u00e1tico medio (MSE) se define como sigue:<\/span><\/li><\/ul>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-f7156e9 elementor-widget elementor-widget-shortcode\" data-id=\"f7156e9\" data-element_type=\"widget\" data-widget_type=\"shortcode.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"elementor-shortcode\"><math xmlns='http:\/\/www.w3.org\/1998\/Math\/MathML'> <mfrac> <mrow> <mn> 1 <\/mn> <\/mrow> <mrow> <mi> N <\/mi> <\/mrow> <\/mfrac> <munderover> <mrow> <mo> &#x2211; <!-- n-ary summation --> <\/mo> <\/mrow> <mrow> <mi> i <\/mi> <mo> = <\/mo> <mn> 1 <\/mn> <\/mrow> <mrow> <mi> N <\/mi> <\/mrow> <\/munderover> <msup> <mrow> <mrow> <mo> ( <\/mo> <msub> <mrow> <mi> y <\/mi> <\/mrow> <mrow> <mi> i <\/mi> <\/mrow> <\/msub> <mo> - <\/mo> <msub> <mrow> <mover> <mrow> <mi> y <\/mi> <\/mrow> <mrow> <mo> &#x2227; <!-- logical and --> <\/mo> <\/mrow> <\/mover> <\/mrow> <mrow> <mi> i <\/mi> <\/mrow> <\/msub> <mo> ) <\/mo> <\/mrow> <\/mrow> <mrow> <mn> 2 <\/mn> <\/mrow> <\/msup> <\/math><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-0427ae2 elementor-widget elementor-widget-text-editor\" data-id=\"0427ae2\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400;\">donde <\/span><b>N<\/b><span style=\"font-weight: 400;\"> es el n\u00famero de observaciones, <\/span><b>yi<\/b><span style=\"font-weight: 400;\"> es el valor real, y <\/span><b>\u0177i<\/b><span style=\"font-weight: 400;\"> es la predicci\u00f3n realizada.<\/span><\/p><p><span style=\"font-weight: 400;\">Esta m\u00e9trica consiste en sumar los cuadrados de las diferencias entre los valores reales y las predicciones. El error cuadr\u00e1tico medio penaliza fuertemente las diferencias demasiado grandes entre el valor real y la predicci\u00f3n, lo cual puede ser \u00fatil en un contexto donde estas diferencias son particularmente indeseables.<\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-c24941a elementor-widget elementor-widget-image\" data-id=\"c24941a\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<style>\/*! elementor - v3.15.0 - 02-08-2023 *\/\n.elementor-widget-image{text-align:center}.elementor-widget-image a{display:inline-block}.elementor-widget-image a img[src$=\".svg\"]{width:48px}.elementor-widget-image img{vertical-align:middle;display:inline-block}<\/style>\t\t\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"900\" height=\"514\" src=\"https:\/\/datascientest.com\/es\/files\/2024\/08\/metricas-machine-learning-datascientest1.jpg\" class=\"attachment-full size-full wp-image-174209\" alt=\"\" srcset=\"https:\/\/datascientest.com\/es\/files\/2024\/08\/metricas-machine-learning-datascientest1.jpg 900w, https:\/\/datascientest.com\/es\/files\/2024\/08\/metricas-machine-learning-datascientest1-300x171.jpg 300w, https:\/\/datascientest.com\/es\/files\/2024\/08\/metricas-machine-learning-datascientest1-768x439.jpg 768w\" sizes=\"(max-width: 900px) 100vw, 900px\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-ecad5af elementor-widget elementor-widget-text-editor\" data-id=\"ecad5af\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400;\">Puedes obtener m\u00e1s informaci\u00f3n sobre el error cuadr\u00e1tico medio leyendo <a href=\"https:\/\/datascientest.com\/erreur-quadratique-moyenne\">este art\u00edculo<\/a> que describir\u00e1 m\u00e1s en detalle sus caracter\u00edsticas y un ejemplo de aplicaci\u00f3n.<\/span><\/p><ul><li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\">El error absoluto medio (MAE) se define como sigue:<\/span><\/li><\/ul>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-216b8f8 elementor-widget elementor-widget-shortcode\" data-id=\"216b8f8\" data-element_type=\"widget\" data-widget_type=\"shortcode.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"elementor-shortcode\"><math xmlns='http:\/\/www.w3.org\/1998\/Math\/MathML'> <mfrac> <mrow> <mn> 1 <\/mn> <\/mrow> <mrow> <mi> N <\/mi> <\/mrow> <\/mfrac> <munderover> <mrow> <mo> &#x2211; <!-- n-ary summation --> <\/mo> <\/mrow> <mrow> <mi> i <\/mi> <mo> = <\/mo> <mn> 1 <\/mn> <\/mrow> <mrow> <mi> N <\/mi> <\/mrow> <\/munderover> <msup> <mrow> <mrow> <mo> | <\/mo> <msub> <mrow> <mi> y <\/mi> <\/mrow> <mrow> <mi> i <\/mi> <\/mrow> <\/msub> <mo> - <\/mo> <msub> <mrow> <mover> <mrow> <mi> y <\/mi> <\/mrow> <mrow> <mo> &#x2227; <!-- logical and --> <\/mo> <\/mrow> <\/mover> <\/mrow> <mrow> <mi> i <\/mi> <\/mrow> <\/msub> <mo> | <\/mo> <\/mrow> <\/mrow>  <\/math><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-13814c3 elementor-widget elementor-widget-text-editor\" data-id=\"13814c3\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400;\">donde <\/span><b>N<\/b><span style=\"font-weight: 400;\"> es el n\u00famero de observaciones, <\/span><b>yi<\/b><span style=\"font-weight: 400;\"> es el valor real, y <\/span><b>\u0177i<\/b><span style=\"font-weight: 400;\"> es la predicci\u00f3n realizada.<\/span><\/p><p><span style=\"font-weight: 400;\">Esta m\u00e9trica consiste en sumar el valor absoluto de las diferencias entre las predicciones realizadas y los valores reales.<\/span><\/p><p><span style=\"font-weight: 400;\">El error absoluto medio es menos sensible a las diferencias grandes que el error cuadr\u00e1tico medio.<\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-3395bf6 elementor-align-center button-principal elementor-widget elementor-widget-button\" data-id=\"3395bf6\" data-element_type=\"widget\" data-widget_type=\"button.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"elementor-button-wrapper\">\n\t\t\t<a class=\"elementor-button elementor-button-link elementor-size-md\" href=\"https:\/\/datascientest.com\/es\/formacion-data-scientist\">\n\t\t\t\t\t\t<span class=\"elementor-button-content-wrapper\">\n\t\t\t\t\t\t<span class=\"elementor-button-text\">Dominar las m\u00e9tricas del aprendizaje autom\u00e1tico<\/span>\n\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-73a0402 elementor-widget elementor-widget-heading\" data-id=\"73a0402\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h4 class=\"elementor-heading-title elementor-size-medium\">B. M\u00e9tricas de clasificaci\u00f3n<\/h4>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-e903dd1 elementor-widget elementor-widget-text-editor\" data-id=\"e903dd1\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400;\">En un marco de clasificaci\u00f3n, la manera de evaluar el rendimiento de un modelo es diferente. Presentaremos tres de las principales m\u00e9tricas de clasificaci\u00f3n: la exactitud, la precisi\u00f3n y el recall.<\/span><\/p><ul><li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\">Para calcular la exactitud, basta con evaluar la tasa de predicciones correctas en relaci\u00f3n al n\u00famero total de predicciones:<\/span><\/li><\/ul>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-36f3c76 elementor-widget elementor-widget-shortcode\" data-id=\"36f3c76\" data-element_type=\"widget\" data-widget_type=\"shortcode.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"elementor-shortcode\"><math xmlns='http:\/\/www.w3.org\/1998\/Math\/MathML'> <mfrac> <mrow> <mn> <i>N\u00famero de predicciones correctas<\/i> <\/mn> <\/mrow> <mrow> <mi> <i>N\u00famero total de predicciones<\/i> <\/mi> <\/mrow>  <\/math><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-9e27896 elementor-widget elementor-widget-text-editor\" data-id=\"9e27896\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p style=\"padding-left: 40px;\"><span style=\"font-weight: 400;\">Esta f\u00f3rmula devuelve un n\u00famero entre <\/span><b>0<\/b><span style=\"font-weight: 400;\"> y <\/span><b>1<\/b><span style=\"font-weight: 400;\">. Un puntaje cercano a <\/span><b>1<\/b><span style=\"font-weight: 400;\"> indica un muy buen modelo, mientras que un puntaje cercano a <\/span><b>0<\/b><span style=\"font-weight: 400;\"> indica un mal modelo. Esta m\u00e9trica es bastante intuitiva y f\u00e1cil de comprender. Sin embargo, hay que tener en cuenta que eval\u00faa mal el rendimiento de un modelo basado en datos desequilibrados, o datos en los que los <\/span><b>errores de predicci\u00f3n<\/b><span style=\"font-weight: 400;\"> no tienen el mismo impacto.<\/span><\/p><p style=\"padding-left: 40px;\"><span style=\"font-weight: 400;\">Para ilustrar este concepto, tomemos el ejemplo de un modelo que detecta la presencia de una enfermedad en un paciente. Si en el 90% de los casos, el paciente no est\u00e1 enfermo, el modelo podr\u00eda predecir sistem\u00e1ticamente que el paciente est\u00e1 sano. La exactitud de este modelo ser\u00eda entonces de 0.9, lo cual parece ser un muy buen puntaje. Sin embargo, pueden surgir dos problemas principales:<\/span><\/p><ul><li style=\"list-style-type: none;\"><ul><li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\">Primero, el modelo ser\u00eda incapaz de detectar la enfermedad en un paciente.<\/span><\/li><li style=\"font-weight: 400;\" aria-level=\"1\">Segundo, la <b>calidad de las predicciones<\/b><span> no es tomada en cuenta. Predecir que un paciente est\u00e1 enfermo cuando no lo est\u00e1 (lo que se llama un <\/span><b>falso positivo<\/b><span>) no tendr\u00e1 el mismo impacto que si el modelo predice que un paciente no est\u00e1 enfermo cuando s\u00ed lo est\u00e1 (<\/span><b>falso negativo<\/b><span>).<\/span><\/li><\/ul><\/li><\/ul>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-ccda904 elementor-widget elementor-widget-image\" data-id=\"ccda904\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"900\" height=\"514\" src=\"https:\/\/datascientest.com\/es\/files\/2024\/08\/metricas-machine-learning-datascientest2.jpg\" class=\"attachment-full size-full wp-image-174225\" alt=\"\" srcset=\"https:\/\/datascientest.com\/es\/files\/2024\/08\/metricas-machine-learning-datascientest2.jpg 900w, https:\/\/datascientest.com\/es\/files\/2024\/08\/metricas-machine-learning-datascientest2-300x171.jpg 300w, https:\/\/datascientest.com\/es\/files\/2024\/08\/metricas-machine-learning-datascientest2-768x439.jpg 768w\" sizes=\"(max-width: 900px) 100vw, 900px\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-0258a41 elementor-widget elementor-widget-text-editor\" data-id=\"0258a41\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400;\">La exactitud no permite hacer matices entre las diferentes predicciones y no toma en cuenta los datos desequilibrados. Es por esta raz\u00f3n que existen m\u00e9tricas para paliar este problema:<\/span><\/p><ul><li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\">La precisi\u00f3n se define como sigue:<\/span><\/li><\/ul>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-b80db76 elementor-widget__width-initial elementor-widget elementor-widget-shortcode\" data-id=\"b80db76\" data-element_type=\"widget\" data-widget_type=\"shortcode.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"elementor-shortcode\"><math xmlns='http:\/\/www.w3.org\/1998\/Math\/MathML'> <mfrac> <mrow> <mn> <i>TP<\/i> <\/mn> <\/mrow> <mrow> <mi> <i>TP + FP<\/i> <\/mi> <\/mrow>  <\/math><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-749e93c elementor-widget elementor-widget-text-editor\" data-id=\"749e93c\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400;\">donde <\/span><b>TP<\/b><span style=\"font-weight: 400;\"> representa el n\u00famero de Verdaderos Positivos y <\/span><b>FP<\/b><span style=\"font-weight: 400;\"> representa el n\u00famero de Falsos Positivos.<\/span><\/p><p><span style=\"font-weight: 400;\">Esta m\u00e9trica es \u00fatil cuando el costo de los falsos positivos es alto.<\/span><\/p><ul><li style=\"font-weight: 400;\" aria-level=\"1\"><span style=\"font-weight: 400;\">De manera bastante similar, el recall se define como sigue:<\/span><\/li><\/ul>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-03b3c1d elementor-widget elementor-widget-shortcode\" data-id=\"03b3c1d\" data-element_type=\"widget\" data-widget_type=\"shortcode.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"elementor-shortcode\"><math xmlns='http:\/\/www.w3.org\/1998\/Math\/MathML'> <mfrac> <mrow> <mn> <i>TP<\/i> <\/mn> <\/mrow> <mrow> <mi> <i>TP + FN<\/i> <\/mi> <\/mrow>  <\/math><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-b3cacb2 elementor-widget elementor-widget-text-editor\" data-id=\"b3cacb2\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400;\">donde <\/span><b>TP<\/b><span style=\"font-weight: 400;\"> representa el n\u00famero de Verdaderos Positivos y <\/span><b>FN<\/b><span style=\"font-weight: 400;\"> representa el n\u00famero de Falsos Negativos.<\/span><\/p><p><span style=\"font-weight: 400;\">Esta m\u00e9trica es \u00fatil cuando el costo de los falsos negativos es alto.<\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t<div class=\"elementor-element elementor-element-e3f9ab4 e-flex e-con-boxed e-con\" data-id=\"e3f9ab4\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-058b267 elementor-widget elementor-widget-heading\" data-id=\"058b267\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h3 class=\"elementor-heading-title elementor-size-default\">Conclusi\u00f3n<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-a8d71b0 elementor-widget elementor-widget-text-editor\" data-id=\"a8d71b0\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400;\">Para concluir, usar m\u00e9tricas es esencial para <\/span><b>evaluar el rendimiento de un modelo de Machine Learning<\/b><span style=\"font-weight: 400;\">. Elegir la m\u00e9trica correcta seg\u00fan el modelo permite tomar las decisiones adecuadas sobre la manera de mejorarlo. En funci\u00f3n del tipo de modelo (<\/span><b>modelo de clasificaci\u00f3n o de regresi\u00f3n<\/b><span style=\"font-weight: 400;\">), el contexto y el tipo de datos, algunas m\u00e9tricas ser\u00e1n preferibles a otras, y es importante comprender las ventajas y desventajas de cada m\u00e9trica para utilizar la que mejor se ajuste a tu problem\u00e1tica.<\/span><\/p><p><span style=\"font-weight: 400;\">Los <a href=\"https:\/\/datascientest.com\/es\/convertirse-en-cientifico-de-datos\">Data Scientist<\/a> utilizan m\u00e9tricas para preparar modelos de Machine Learning eficaces. Para ello, utilizan una multitud de conceptos matem\u00e1ticos y de software espec\u00edficos capaces de preparar y analizar los datos. En este sentido, una formaci\u00f3n resulta m\u00e1s que necesaria. Esto es precisamente posible con <\/span><b>DataScientest<\/b><span style=\"font-weight: 400;\">. Te ofrecemos formaciones completas en <a href=\"https:\/\/datascientest.com\/es\/bootcamp-definicion-interes-para-la-formacion\">bootcamp<\/a>\u00a0o en tiempo parcial.\u00a0<\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-d56840c elementor-align-center button-principal elementor-widget elementor-widget-button\" data-id=\"d56840c\" data-element_type=\"widget\" data-widget_type=\"button.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"elementor-button-wrapper\">\n\t\t\t<a class=\"elementor-button elementor-button-link elementor-size-md\" href=\"https:\/\/datascientest.com\/es\/formacion-data-scientist\">\n\t\t\t\t\t\t<span class=\"elementor-button-content-wrapper\">\n\t\t\t\t\t\t<span class=\"elementor-button-text\">Iniciar un curso de formaci\u00f3n con DataScientest<\/span>\n\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t<div class=\"elementor-element elementor-element-8868e23 e-flex e-con-boxed e-con\" data-id=\"8868e23\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-271635f elementor-widget elementor-widget-html\" data-id=\"271635f\" data-element_type=\"widget\" data-widget_type=\"html.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<script type=\"application\/ld+json\">\r\n{\r\n  \"@context\": \"https:\/\/schema.org\",\r\n  \"@type\": \"FAQPage\",\r\n  \"mainEntity\": [{\r\n    \"@type\": \"Question\",\r\n    \"name\": \"\u00bfPor qu\u00e9 es importante elegir las m\u00e9tricas correctas para evaluar un modelo de Machine Learning?\",\r\n    \"acceptedAnswer\": {\r\n      \"@type\": \"Answer\",\r\n      \"text\": \"Es crucial elegir las m\u00e9tricas correctas porque determinan c\u00f3mo se eval\u00faa el rendimiento del modelo. Una m\u00e9trica inapropiada puede ofrecer una imagen enga\u00f1osa de la calidad del modelo.\"\r\n    }\r\n  },{\r\n    \"@type\": \"Question\",\r\n    \"name\": \"\u00bfCu\u00e1les son las principales m\u00e9tricas utilizadas en Machine Learning?\",\r\n    \"acceptedAnswer\": {\r\n      \"@type\": \"Answer\",\r\n      \"text\": \"Las principales m\u00e9tricas utilizadas en Machine Learning incluyen: \\n -Exactitud (Accuracy): El porcentaje de predicciones correctas entre el total de predicciones. \\n -Precisi\u00f3n (Precision): La proporci\u00f3n de verdaderos positivos entre el total de predicciones positivas. \\n -Recall (Recall): La proporci\u00f3n de verdaderos positivos entre el total de elementos positivos reales.\"\r\n    }\r\n  },{\r\n    \"@type\": \"Question\",\r\n    \"name\": \"\u00bfC\u00f3mo elegir entre precisi\u00f3n y recall para evaluar un modelo?\",\r\n    \"acceptedAnswer\": {\r\n      \"@type\": \"Answer\",\r\n      \"text\": \"La elecci\u00f3n entre precisi\u00f3n, recall y F1-Score depende del contexto y las prioridades de la aplicaci\u00f3n del modelo: \\n -Precisi\u00f3n: Se utiliza cuando el costo de los falsos positivos es alto. Por ejemplo, en el filtrado de spam, donde es importante minimizar los correos electr\u00f3nicos leg\u00edtimos clasificados como spam. \\n -Recall: Se prefiere cuando el costo de los falsos negativos es alto. Por ejemplo, en la detecci\u00f3n m\u00e9dica, donde es crucial identificar todos los casos positivos, incluso si esto implica m\u00e1s falsos positivos.\"\r\n    }\r\n  }]\r\n}\r\n<\/script>\r\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t<\/div>\n\t\t","protected":false},"excerpt":{"rendered":"<p>Despu\u00e9s de desarrollar un modelo de Machine Learning, es importante poder evaluar su rendimiento para medir su eficacia. Para comparar de manera objetiva varios modelos entre s\u00ed, el uso de m\u00e9tricas es indispensable. Comprender y saber utilizar estas m\u00e9tricas es esencial para desarrollar un modelo de Machine Learning eficaz. En este art\u00edculo, descubrir\u00e1s las principales [&hellip;]<\/p>\n","protected":false},"author":45,"featured_media":174199,"comment_status":"open","ping_status":"open","sticky":false,"template":"elementor_theme","format":"standard","meta":{"content-type":"","inline_featured_image":false},"categories":[2427],"tags":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO Premium plugin v21.7 (Yoast SEO v21.7) - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>M\u00e9tricas en Machine Learning: Todo lo que necesitas saber<\/title>\n<meta name=\"description\" content=\"Las m\u00e9tricas en Machine Learning son herramientas esenciales para evaluar el rendimiento de los modelos. Al utilizar estas medidas, los cient\u00edficos de datos pueden comparar, optimizar y seleccionar los modelos m\u00e1s eficientes para tareas espec\u00edficas, asegurando predicciones confiables y relevantes.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/datascientest.com\/es\/metricas-en-machine-learning\" \/>\n<meta property=\"og:locale\" content=\"es_ES\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"M\u00e9tricas en Machine Learning: Todo lo que necesitas saber\" \/>\n<meta property=\"og:description\" content=\"Despu\u00e9s de desarrollar un modelo de Machine Learning, es importante poder evaluar su rendimiento para medir su eficacia. Para comparar de manera objetiva\" \/>\n<meta property=\"og:url\" content=\"https:\/\/datascientest.com\/es\/metricas-en-machine-learning\" \/>\n<meta property=\"og:site_name\" content=\"Formaci\u00f3n en ciencia de datos | DataScientest.com\" \/>\n<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/DataScientestEN\" \/>\n<meta property=\"article:published_time\" content=\"2024-08-29T06:30:00+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2024-08-26T14:52:59+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/datascientest.com\/es\/files\/2024\/08\/Schema-model_evaluation-42-42.png\" \/>\n\t<meta property=\"og:image:width\" content=\"960\" \/>\n\t<meta property=\"og:image:height\" content=\"540\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"author\" content=\"Daniel\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:creator\" content=\"@DataScientest__\" \/>\n<meta name=\"twitter:site\" content=\"@DataScientest__\" \/>\n<meta name=\"twitter:label1\" content=\"Escrito por\" \/>\n\t<meta name=\"twitter:data1\" content=\"Daniel\" \/>\n\t<meta name=\"twitter:label2\" content=\"Tiempo de lectura\" \/>\n\t<meta name=\"twitter:data2\" content=\"6 minutos\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/datascientest.com\/es\/metricas-en-machine-learning#article\",\"isPartOf\":{\"@id\":\"https:\/\/datascientest.com\/es\/metricas-en-machine-learning\"},\"author\":{\"name\":\"Daniel\",\"@id\":\"https:\/\/datascientest.com\/es\/#\/schema\/person\/5a86e30c5090234fb43dd8baa83c44b0\"},\"headline\":\"M\u00e9tricas en Machine Learning: Todo lo que necesitas saber\",\"datePublished\":\"2024-08-29T06:30:00+00:00\",\"dateModified\":\"2024-08-26T14:52:59+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/datascientest.com\/es\/metricas-en-machine-learning\"},\"wordCount\":1210,\"commentCount\":0,\"publisher\":{\"@id\":\"https:\/\/datascientest.com\/es\/#organization\"},\"articleSection\":[\"Data Science\"],\"inLanguage\":\"es\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\/\/datascientest.com\/es\/metricas-en-machine-learning#respond\"]}],\"copyrightYear\":\"2024\",\"copyrightHolder\":{\"@id\":\"https:\/\/datascientest.com\/#organization\"}},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/datascientest.com\/es\/metricas-en-machine-learning\",\"url\":\"https:\/\/datascientest.com\/es\/metricas-en-machine-learning\",\"name\":\"M\u00e9tricas en Machine Learning: Todo lo que necesitas saber\",\"isPartOf\":{\"@id\":\"https:\/\/datascientest.com\/es\/#website\"},\"datePublished\":\"2024-08-29T06:30:00+00:00\",\"dateModified\":\"2024-08-26T14:52:59+00:00\",\"description\":\"Las m\u00e9tricas en Machine Learning son herramientas esenciales para evaluar el rendimiento de los modelos. Al utilizar estas medidas, los cient\u00edficos de datos pueden comparar, optimizar y seleccionar los modelos m\u00e1s eficientes para tareas espec\u00edficas, asegurando predicciones confiables y relevantes.\",\"inLanguage\":\"es\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/datascientest.com\/es\/metricas-en-machine-learning\"]}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/datascientest.com\/es\/#website\",\"url\":\"https:\/\/datascientest.com\/es\/\",\"name\":\"Formaci\u00f3n en ciencia de datos | DataScientest.com\",\"description\":\"L\u00edder en formaci\u00f3n en Ciencia de Datos\",\"publisher\":{\"@id\":\"https:\/\/datascientest.com\/es\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/datascientest.com\/es\/?s={search_term_string}\"},\"query-input\":\"required name=search_term_string\"}],\"inLanguage\":\"es\"},{\"@type\":\"Organization\",\"@id\":\"https:\/\/datascientest.com\/es\/#organization\",\"name\":\"DataScientest\",\"url\":\"https:\/\/datascientest.com\/es\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"es\",\"@id\":\"https:\/\/datascientest.com\/es\/#\/schema\/logo\/image\/\",\"url\":\"https:\/\/datascientest.com\/es\/wp-content\/blogs.dir\/7\/files\/2024\/02\/DataScientest_icon_blue-2.png\",\"contentUrl\":\"https:\/\/datascientest.com\/es\/wp-content\/blogs.dir\/7\/files\/2024\/02\/DataScientest_icon_blue-2.png\",\"width\":301,\"height\":301,\"caption\":\"DataScientest\"},\"image\":{\"@id\":\"https:\/\/datascientest.com\/es\/#\/schema\/logo\/image\/\"},\"sameAs\":[\"https:\/\/www.facebook.com\/DataScientestEN\",\"https:\/\/twitter.com\/DataScientest__\",\"https:\/\/www.linkedin.com\/company\/datascientest-spain\/\",\"https:\/\/www.tiktok.com\/@datascientest\"]},{\"@type\":\"Person\",\"@id\":\"https:\/\/datascientest.com\/es\/#\/schema\/person\/5a86e30c5090234fb43dd8baa83c44b0\",\"name\":\"Daniel\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"es\",\"@id\":\"https:\/\/datascientest.com\/es\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/secure.gravatar.com\/avatar\/837acad4f2dc47e85d81cce837261670?s=96&d=mm&r=g\",\"contentUrl\":\"https:\/\/secure.gravatar.com\/avatar\/837acad4f2dc47e85d81cce837261670?s=96&d=mm&r=g\",\"caption\":\"Daniel\"},\"sameAs\":[\"https:\/\/www.linkedin.com\/school\/datascientest\/\",\"user\"],\"jobTitle\":\"ing\u00e9nieur logiciel\",\"worksFor\":\"DataScientest\",\"url\":\"https:\/\/datascientest.com\/es\/author\/team-redac\"}]}<\/script>\n<!-- \/ Yoast SEO Premium plugin. -->","yoast_head_json":{"title":"M\u00e9tricas en Machine Learning: Todo lo que necesitas saber","description":"Las m\u00e9tricas en Machine Learning son herramientas esenciales para evaluar el rendimiento de los modelos. Al utilizar estas medidas, los cient\u00edficos de datos pueden comparar, optimizar y seleccionar los modelos m\u00e1s eficientes para tareas espec\u00edficas, asegurando predicciones confiables y relevantes.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/datascientest.com\/es\/metricas-en-machine-learning","og_locale":"es_ES","og_type":"article","og_title":"M\u00e9tricas en Machine Learning: Todo lo que necesitas saber","og_description":"Despu\u00e9s de desarrollar un modelo de Machine Learning, es importante poder evaluar su rendimiento para medir su eficacia. Para comparar de manera objetiva","og_url":"https:\/\/datascientest.com\/es\/metricas-en-machine-learning","og_site_name":"Formaci\u00f3n en ciencia de datos | DataScientest.com","article_publisher":"https:\/\/www.facebook.com\/DataScientestEN","article_published_time":"2024-08-29T06:30:00+00:00","article_modified_time":"2024-08-26T14:52:59+00:00","og_image":[{"width":960,"height":540,"url":"https:\/\/datascientest.com\/es\/files\/2024\/08\/Schema-model_evaluation-42-42.png","type":"image\/png"}],"author":"Daniel","twitter_card":"summary_large_image","twitter_creator":"@DataScientest__","twitter_site":"@DataScientest__","twitter_misc":{"Escrito por":"Daniel","Tiempo de lectura":"6 minutos"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/datascientest.com\/es\/metricas-en-machine-learning#article","isPartOf":{"@id":"https:\/\/datascientest.com\/es\/metricas-en-machine-learning"},"author":{"name":"Daniel","@id":"https:\/\/datascientest.com\/es\/#\/schema\/person\/5a86e30c5090234fb43dd8baa83c44b0"},"headline":"M\u00e9tricas en Machine Learning: Todo lo que necesitas saber","datePublished":"2024-08-29T06:30:00+00:00","dateModified":"2024-08-26T14:52:59+00:00","mainEntityOfPage":{"@id":"https:\/\/datascientest.com\/es\/metricas-en-machine-learning"},"wordCount":1210,"commentCount":0,"publisher":{"@id":"https:\/\/datascientest.com\/es\/#organization"},"articleSection":["Data Science"],"inLanguage":"es","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/datascientest.com\/es\/metricas-en-machine-learning#respond"]}],"copyrightYear":"2024","copyrightHolder":{"@id":"https:\/\/datascientest.com\/#organization"}},{"@type":"WebPage","@id":"https:\/\/datascientest.com\/es\/metricas-en-machine-learning","url":"https:\/\/datascientest.com\/es\/metricas-en-machine-learning","name":"M\u00e9tricas en Machine Learning: Todo lo que necesitas saber","isPartOf":{"@id":"https:\/\/datascientest.com\/es\/#website"},"datePublished":"2024-08-29T06:30:00+00:00","dateModified":"2024-08-26T14:52:59+00:00","description":"Las m\u00e9tricas en Machine Learning son herramientas esenciales para evaluar el rendimiento de los modelos. Al utilizar estas medidas, los cient\u00edficos de datos pueden comparar, optimizar y seleccionar los modelos m\u00e1s eficientes para tareas espec\u00edficas, asegurando predicciones confiables y relevantes.","inLanguage":"es","potentialAction":[{"@type":"ReadAction","target":["https:\/\/datascientest.com\/es\/metricas-en-machine-learning"]}]},{"@type":"WebSite","@id":"https:\/\/datascientest.com\/es\/#website","url":"https:\/\/datascientest.com\/es\/","name":"Formaci\u00f3n en ciencia de datos | DataScientest.com","description":"L\u00edder en formaci\u00f3n en Ciencia de Datos","publisher":{"@id":"https:\/\/datascientest.com\/es\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/datascientest.com\/es\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"es"},{"@type":"Organization","@id":"https:\/\/datascientest.com\/es\/#organization","name":"DataScientest","url":"https:\/\/datascientest.com\/es\/","logo":{"@type":"ImageObject","inLanguage":"es","@id":"https:\/\/datascientest.com\/es\/#\/schema\/logo\/image\/","url":"https:\/\/datascientest.com\/es\/wp-content\/blogs.dir\/7\/files\/2024\/02\/DataScientest_icon_blue-2.png","contentUrl":"https:\/\/datascientest.com\/es\/wp-content\/blogs.dir\/7\/files\/2024\/02\/DataScientest_icon_blue-2.png","width":301,"height":301,"caption":"DataScientest"},"image":{"@id":"https:\/\/datascientest.com\/es\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/www.facebook.com\/DataScientestEN","https:\/\/twitter.com\/DataScientest__","https:\/\/www.linkedin.com\/company\/datascientest-spain\/","https:\/\/www.tiktok.com\/@datascientest"]},{"@type":"Person","@id":"https:\/\/datascientest.com\/es\/#\/schema\/person\/5a86e30c5090234fb43dd8baa83c44b0","name":"Daniel","image":{"@type":"ImageObject","inLanguage":"es","@id":"https:\/\/datascientest.com\/es\/#\/schema\/person\/image\/","url":"https:\/\/secure.gravatar.com\/avatar\/837acad4f2dc47e85d81cce837261670?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/837acad4f2dc47e85d81cce837261670?s=96&d=mm&r=g","caption":"Daniel"},"sameAs":["https:\/\/www.linkedin.com\/school\/datascientest\/","user"],"jobTitle":"ing\u00e9nieur logiciel","worksFor":"DataScientest","url":"https:\/\/datascientest.com\/es\/author\/team-redac"}]}},"_links":{"self":[{"href":"https:\/\/datascientest.com\/es\/wp-json\/wp\/v2\/posts\/174197"}],"collection":[{"href":"https:\/\/datascientest.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/datascientest.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/datascientest.com\/es\/wp-json\/wp\/v2\/users\/45"}],"replies":[{"embeddable":true,"href":"https:\/\/datascientest.com\/es\/wp-json\/wp\/v2\/comments?post=174197"}],"version-history":[{"count":0,"href":"https:\/\/datascientest.com\/es\/wp-json\/wp\/v2\/posts\/174197\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/datascientest.com\/es\/wp-json\/wp\/v2\/media\/174199"}],"wp:attachment":[{"href":"https:\/\/datascientest.com\/es\/wp-json\/wp\/v2\/media?parent=174197"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/datascientest.com\/es\/wp-json\/wp\/v2\/categories?post=174197"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/datascientest.com\/es\/wp-json\/wp\/v2\/tags?post=174197"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}