Tabla de contenido:
Definición: ¿Qué significan los falsos negativos?
Los falsos negativos son uno de los cuatro componentes en una matriz de confusión clásica para la clasificación binaria. En la clasificación binaria, un programa de aprendizaje automático o una tecnología similar analiza dos tipos o clases.
Techopedia explica falsos negativos
La idea con la matriz de confusión es que los ingenieros tienen a mano los valores reales de los datos de prueba. Luego ejecutan el programa de aprendizaje automático y hace sus predicciones. Si la predicción coincide con lo que se sabe, ese es un resultado exitoso. Si no es así, ese no es un resultado exitoso.
En este tipo de paradigma, los resultados exitosos se etiquetan como verdaderos y los resultados no exitosos se etiquetan como falsos.
Entonces, para proporcionar un ejemplo de falsos negativos, debe observar cómo se configura la matriz de confusión. Supongamos, por ejemplo, que tiene dos clases para clasificar: la primera es un valor, digamos uno, que se llama la clase número uno o clase positiva. El otro resultado es un cero, que podemos llamar la clase número dos o clase negativa.
En este caso, un resultado falso negativo sería un resultado en el que el programa de aprendizaje automático adivina un cero, pero el resultado fue en realidad uno.
Este tipo de construcción se usa ampliamente en varios tipos de proyectos de aprendizaje automático.
Esta definición fue escrita en el contexto de Data Science
