Matriz de confusión | Cómo interpretar el rendimiento de un clasificador

Creado: 2019-01-15 Última actualización: 2020-01-15 Tiempo de lectura: 3 min

まとめ

Matriz de confusión | Cómo interpretar el rendimiento de un clasificadorの概要を押さえ、評価対象と読み取り方を整理します。
Python 3.13 のコード例で算出・可視化し、手順と実務での確認ポイントを確認します。
図表や補助指標を組み合わせ、モデル比較や閾値調整に活かすヒントをまとめます。

1. Anatomía de la matriz de confusión #

En un problema binario la matriz tiene forma de tabla 2×2:

	Predicción: Negativa	Predicción: Positiva
Real: Negativa	Verdadero negativo (TN)	Falso positivo (FP)
Real: Positiva	Falso negativo (FN)	Verdadero positivo (TP)

Las filas representan la verdad terreno y las columnas las predicciones del modelo.
Revisar TP / FP / FN / TN ayuda a ver si el modelo favorece una clase sobre otra.

2. Ejemplo completo con Python 3.13 #

Confirma que trabajas con Python 3.13 e instala las dependencias:


python --version  # p. ej. Python 3.13.0

pip install scikit-learn matplotlib

El siguiente script entrena una regresión logística sobre el conjunto Breast Cancer, imprime la matriz y la muestra como mapa de calor. La Pipeline con StandardScaler evita problemas de convergencia y estabiliza el entrenamiento.

import matplotlib.pyplot as plt

from sklearn.datasets import load_breast_cancer

from sklearn.linear_model import LogisticRegression

from sklearn.metrics import ConfusionMatrixDisplay, confusion_matrix

from sklearn.model_selection import train_test_split

from sklearn.pipeline import make_pipeline

from sklearn.preprocessing import StandardScaler

X, y = load_breast_cancer(return_X_y=True)

X_train, X_test, y_train, y_test = train_test_split(

    X, y, test_size=0.2, random_state=42, stratify=y

)

pipeline = make_pipeline(

    StandardScaler(),

    LogisticRegression(max_iter=1000, solver="lbfgs"),

)

pipeline.fit(X_train, y_train)

y_pred = pipeline.predict(X_test)

cm = confusion_matrix(y_test, y_pred)

print(cm)

disp = ConfusionMatrixDisplay(confusion_matrix=cm)

disp.plot(cmap="Blues", colorbar=False)

plt.tight_layout()

plt.show()

Matriz de confusión para el conjunto Breast Cancer — Matriz de confusión generada con scikit-learn en Python 3.13

3. Normalizar para comparar proporciones #

Si existen clases desbalanceadas, conviene normalizar por filas para observar tasas de error.

cm_norm = confusion_matrix(y_test, y_pred, normalize="true")
print(cm_norm)
disp_norm = ConfusionMatrixDisplay(confusion_matrix=cm_norm)
disp_norm.plot(cmap="Blues", values_format=".2f", colorbar=False)
plt.tight_layout()
plt.show()

normalize="true": proporción dentro de cada clase real
normalize="pred": proporción dentro de cada clase predicha
normalize="all": proporción sobre todas las observaciones

4. Extensión a múltiples clases #

ConfusionMatrixDisplay.from_predictions construye y etiqueta automáticamente la matriz en tareas multiclase.

ConfusionMatrixDisplay.from_predictions(

    y_true=etiquetas_reales,

    y_pred=predicciones,

    normalize="true",

    values_format=".2f",

    cmap="Blues",

)

plt.tight_layout()

plt.show()

5. Puntos de control en proyectos reales #

Falsos negativos vs. falsos positivos: decide qué error es más costoso (ej. salud, fraude) y vigila esos valores.
Apóyate en mapas de calor: facilitan identificar clases con sesgo y comunicar hallazgos al resto del equipo.
Métricas derivadas: obtén precisión, exhaustividad y F1 a partir de la matriz, y compáralas con ROC-AUC o curvas PR para obtener una visión completa.
Notebooks reproducibles: guardar el flujo en un cuaderno de Python 3.13 acelera los ciclos de ajuste y reentrenamiento.

Resumen #

La matriz de confusión resume TP / FP / FN / TN y visibiliza los sesgos del clasificador.
La normalización revela tasas de error cuando hay clases desbalanceadas.
Combínala con métricas derivadas y con los requisitos del negocio para definir criterios de evaluación accionables.