MATRIZ DE CONFUSIN Es un diseo de tabla especfica que permite la visualizacin de la ejecucin de un algoritmo, por lo general un aprendizaje supervisado.

Es una matriz de un clasificador de dos o ms clases. Contiene informacin acerca de las clasificaciones actuales y predicciones hechas por un sistema de clasificacin. La matriz es n por n, donde n es el nmero de clases. Cada columna de la matriz representa los casos que el algoritmo predijo, mientras que cada fila representa los casos en una clase real. La tabla 1 representa las posiciones que comnmente muestra una matriz de confusin:
TABLA 1. MATRIZ DE CONFUSION.

TP: son los casos que pertenecen a la clase y el clasificador los defini en esa clase. FN: son los casos que si pertenecen a la clase y el clasificador no los defini en esa clase. FP: son los casos que no pertenecen a la clase pero el clasificador los defini en esa clase. TN: son los casos que no pertenecen a la clase y el clasificador defini que no pertenecen a esa clase.

MTRICAS DE LA MATRIZ DE CONFUSIN. Accuracy: es la proporcin del nmero total de predicciones que son correctas, se determina utilizando la siguiente ecuacin:

Precision: es la proporcin de los casos predichos positivos que son correctos, se utiliza la siguiente ecuacin para calcularla:

Recall o True Positive Recognition: es la proporcin de casos positivos que fueron identificados correctamente, se calcula mediante la siguiente ecuacin:

F-measure: es una mtrica que toma en cuenta tanto el recall como la precisin. Su ecuacin se define a continuacin:

EJEMPLO DE MATRIZ DE CONFUSIN (2X2), EXTRADA DE WEKA. Prediccin R a B e 8 1 a A b 4 1 l

Weka representa en una matriz la informacin obtenida de las dos clases existentes en los datos procesados. Para obtener la matriz de confusin de cada clase se separa la informacin. A continuacin se presentan las matrices de confusin para cada clase (Tabla 2 y 3).
TABLA 2. CLASE A. TABLA 3. CLASE B

Prediccin R a B e 8 1 a A B 4 1 l

Prediccin R b A e 1 4 a B A 1 8 l

Para la clase A: TP. 8 objetos pertenecen a la clase A y fueron clasificados correctamente en la clase A. TN. 1 objeto no pertenece a la clase A y no fue clasificado en esta clase, se clasific en B. FP. 4 objetos no pertenecen a la clase A pero si fueron clasificados en esta clase. FN. 1 objeto pertenece a la clase A pero fue clasificado en la clase B.

o Mtricas
accuracy = (8+1)/(8+1+4+1) = 9/14= 0.6428 recall = 8/(8+1) = 8/9 = 0.888 precision = 8/(8+4) = 8/12 = 0.667 F= 2(8) / (2(8)+4+1) = 16/21 = 0.7619

Para la clase B: TP. 1 objeto pertenece a la clase B y fue clasificado correctamente en la clase B. TN. 8 objetos no pertenecen a la clase B y no fueron clasificados en esta clase, se clasificaron en A. FP. 1 objeto no pertenece a la clase B pero si fue clasificado en esta clase. FN. 4 objetos pertenecen a la clase B pero fueron clasificados en la clase A.

o Mtricas
accuracy = (1+8)/(1+8+4+1) = 9/14= 0.6428 recall = 1/(1+4) = 1/5 = 0.2 precision = 1/(1+1) = 1/2 = 0.5 F= 2(1) / (2(1)+1+4) = 2/7 = 0.285

EJEMPLO DE MATRIZ DE CONFUSIN (3 X 3). EXTRADA DE WEKA.

PREDICCIN
A B C

REAL

A B C

50 0 0

0 48 4

0 2 46

CALCULO DE LAS METRICAS DE LA MATRIZ GENERAL accuracy = (8+3)/(8+3+1+2) = 11/14= 0.785 recall = 8/(8+1) = 8/9 = 0.888 precision = 8/(8+2) = 8/10 = 0.8 F= 2(8) / (2(8)+2+1) = 16/19 = 0.842

En un ejemplo de 3 clases cada clase tiene su matriz de confusin: Clase A: 50 TP 0 FP 0 FN 100 TN

TP. 50 objetos pertenecen a la clase A y fueron clasificados correctamente en la clase A. TN. 100 objetos no pertenecen a la clase A y no fueron clasificados en esta clase. FP. 0 objetos que no pertenecen a la clase B no fueron clasificados en otras clases.

FN. 0 objetos que no pertenecen a la clase A no fueron clasificados en esa clase.

o Mtricas
accuracy = (50+100)/(50+100+0+0) = 150/150= 1 recall = 50/(50+0) = 50/50 = 1 precision = 50/(50+0) = 50/50 = 1 F= 2(50) / (2(50)+0+0) = 100/100 = 1

Clase B: 48 TP 4 FP 2 FN 96 TN

TP. 48 objetos pertenecen a la clase B y fueron clasificados correctamente en la clase A. TN. 96 objetos no pertenecen a la clase B y no fueron clasificados en esta clase. FP. 4 objetos que no pertenecen a la clase B fueron clasificados en esta clase. FN. 2 objetos que pertenecen a la clase B pero no fueron clasificados en esa clase.

Clase C:

46 TP 2 FP

4 FN 98 TN

TP. 46 objetos pertenecen a la clase C y fueron clasificados correctamente en la clase C.

TN. 98 objetos no pertenecen a la clase C y no fueron clasificados en esta clase. FP. 2 objetos que no pertenecen a la clase C pero fueron clasificados en esa clase. FN. 4 objetos que si pertenecen a la clase C pero no fueron clasificados en esa clase.

EJEMPLO 2 DE MATRIZ DE CONFUSIN (3 X 3). EXTRADA DE WEKA (IRIS).

PREDICCIN
A B C

REAL

A B C

49 0 0

1 47 5

0 3 45

Clase A: 50 TP 0 FP 1 FN 100 TN

TP. 50 objetos pertenecen a la clase A y fueron clasificados correctamente en la clase A. TN. 100 objetos no pertenecen a la clase A y no fueron clasificados en esta clase. FP. 0 objetos que no pertenecen a la clase B no fueron clasificados en otras clases. FN. 1 objetos que no pertenecen a la clase A no fueron clasificados en esa clase.

o Mtricas
accuracy = (50+100)/(50+100+0+1) = 150/151= 0.9934 recall = 50/(50+1) = 50/51 = 0.9804 precision = 50/(50+0) = 50/50 = 1 F= 2(50) / (2(50)+0+1) = 100/101 = 0.9901

Clase B: 47 TP 5 FP 3 FN 45 TN

TP. 47 objetos pertenecen a la clase B y fueron clasificados correctamente en la clase A. TN. 45 objetos no pertenecen a la clase B y no fueron clasificados en esta clase. FP. 5 objetos que no pertenecen a la clase B fueron clasificados en esta clase. FN. 3 objetos que pertenecen a la clase B pero no fueron clasificados en esa clase.

o Mtricas
accuracy = (47+45)/(47+45+5+3) = 92/100= 0.92 recall = 47/(47+3) = 47/50 = 0.94 precision = 47/(47+5) = 47/52= 0.9038 F= 2(47) / (2(47)+5+3) = 94/102 = 0.9216

Clase C:

45 TP 3 FP

5 FN 96 TN

TP. 45 objetos pertenecen a la clase C y fueron clasificados correctamente en la clase C. TN. 96 objetos no pertenecen a la clase C y no fueron clasificados en esta clase. FP. 3 objetos que no pertenecen a la clase C pero fueron clasificados en esa clase. FN. 5 objetos que si pertenecen a la clase C pero no fueron clasificados en esa clase.

o Mtricas
accuracy = (45+96)/(45+96+3+5) = 141/149= 0.9463 recall = 45/(45+5) = 45/50 = 0.9 precision = 45/(45+3) = 45/48= 0.9375 F= 2(45) / (2(45)+3+5) = 90/98 = 0.9184