Matriz de confusión para Ajustar modelo y Descubrir predictores clave con Clasificación TreeNet^®

Nota

Este comando está disponible con el Módulo de análisis predictivo. Haga doble clic aquí para obtener información sobre cómo activar el módulo.

Busque definiciones e interpretaciones para cada estadístico en la matriz de confusión.

La matriz de confusión muestra qué tan bien el árbol separa correctamente las clases utilizando estas métricas:

Tasa de verdaderos positivos (TPR): la probabilidad de que un caso de evento se pronostique correctamente
Tasa de falsos positivos (FPR) — la probabilidad de que un caso de no evento se pronostique erróneamente
Tasa de falsos negativos (FNR) — la probabilidad de que un caso de evento se pronostique erróneamente
Tasa de verdaderos negativos (TNR): la probabilidad de que un caso de no evento se pronostique correctamente

Interpretación

Matriz de confusión

		Clase de predicción (entrenamiento)			Clase de predicción (prueba)
		Clase de predicción (entrenamiento)			Clase de predicción (prueba)
Clase real	Conteo	Sí	No	% Correcto	Sí	No	% Correcto
Sí (Evento)	139	124	15	89.21	110	29	79.14
No	164	8	156	95.12	24	140	85.37
Todo	303	132	171	92.41	134	169	82.51

Estadísticas	Entrenamiento (%)	Prueba (%)
Tasa de positivos verdaderos (sensibilidad o potencia)	89.21	79.14
Tasa de positivos falsos (error tipo I)	4.88	14.63
Tasa de negativos falsos (error tipo II)	10.79	20.86
Tasa de negativos verdaderos (especificidad)	95.12	85.37

En este ejemplo, el número total de eventos Sí es 139 y el número total de No es 164.

En los datos de entrenamiento, el número de eventos pronosticados (Sí) es 124, que es 89.21% correcto.
En los datos de entrenamiento, el número de no eventos pronosticados (No) es 156, que es 95.12% correcto.
En los datos de prueba, el número de eventos pronosticados (Sí) es 110, que es 79.14% correcto.
En los datos de prueba, el número de no eventos pronosticados (No) es 140, que es 85.37% correcto.

En general, el %Correcto para los datos de entrenamiento es 92.41% y 82.51% para los datos de prueba. Utilice los resultados de los datos de prueba para evaluar la exactitud de la predicción para nuevas observaciones.

Un valor bajo de % Correcto se debe generalmente a un modelo ajustado deficiente, que puede ser causado por varias razones diferentes. Si el % Correcto es muy bajo, considere si las ponderaciones de clase podrían ayudar. Los ponderaciones de clase pueden ayudar a proporcionar un modelo más exacto cuando las observaciones de una clase tienen mayor ponderación que las observaciones de otra clase. También puede cambiar la probabilidad cuando se requiera para que un caso sea clasificado como el evento.

Matriz de confusión para Ajustar modelo y Descubrir predictores clave con Clasificación TreeNet®

Nota

Interpretación

Matriz de confusión

Matriz de confusión para Ajustar modelo y Descubrir predictores clave con Clasificación TreeNet^®