ML Métricas: Clasificación del F1 al Lift -

ML Metrics Academy – Domina las Métricas de Clasificación

ML Metrics

MLO-PRO® by Blackberry & Cross®. Domina los conceptos básicos de las métricas de clasificación.

📊

6 Métricas Clave

Lift, AUC-ROC, F1 Score y más

🎮

Aprendizaje Gamificado

Quiz interactivos y ejemplos prácticos

🧮

Calculadora Integrada* Beta

Calcula métricas con tus datos

Tu Progreso de Aprendizaje

0% Completado

Principiante Intermedio Experto

Las 6 Métricas Esenciales

📌 Comparación Rápida

Métrica	Evalúa	Umbral Dependiente	Probabilística	Interpretable
🎯 Lift	Clasificación	Sí	No	✅ Alta
🔐 Log-Likelihood	Probabilidad	No	Sí	⚠️ Técnica
❌ Log Loss	Probabilidad	No	Sí	⚠️ Técnica
🧠 AUC-ROC	Separación	No	No	✅ Visual
💸 Costo de Error	Costo	Sí	No	✅ Alta si se conocen los costos
⚖️ F1 Score	Balance	Sí	No	✅ Alta

💡 Tip: Las métricas probabilísticas evalúan qué tan bien calibradas están las predicciones

🎯

Lift

Factor de Mejora

Mide la efectividad vs selección aleatoria

Lift = 30% / 10% = 3x

🔐

Log-Likelihood

Verosimilitud Logarítmica

Evalúa la calidad probabilística

Σ[y·log(p) + (1-y)·log(1-p)]

❌

Log Loss

Pérdida Logarítmica

Penaliza errores con alta confianza

-Log-Likelihood

🧠

AUC-ROC

Área bajo la Curva ROC

Capacidad de discriminación

0.5 → 1.0

💸

Costo de Error

Impacto Económico

Considera costos reales de errores

C_FP·FP + C_FN·FN

⚖️

F1 Score

Equilibrio Precisión-Recall

Media armónica de precisión y recall

2·P·R/(P+R)