11.1 Matriz de Confusión

La confusion matrix o matriz de confusión muestra el número de predicciones correctas e incorrectas hechas por el modelo en comparación con los resultados reales en los datos. La matriz de confusión es una matriz $n \times n$, donde $n$ es el número de clases.

En el ejemplo de Venta de Vehículos tenemos la siguiente matriz de confusión:

• Precisión (Accuracy): la proporción del número total de predicciones correctas.

$$ACC = \frac{TP+TN}{TP+TN+FP+FN}$$

• Verdaderos Positivos (Positive Predictive Value): la proporción de casos positivos que fueron identificados correctamente.

$$PPV = \frac{TP}{TP+FP}$$

• Verdaderos Negativos (Negative Predictive Value): la proporción de casos negativos que fueron identificados correctamente.

$$NPV = \frac{TN}{TN+FN}$$

• Sensibilidad (Sensitivity or Recall): la proporción de casos positivos reales que están correctamente identificados.

$$TPR = \frac{TP}{TP+FN}$$

• Especificidad (Specificity): la proporción de casos negativos reales que están correctamente identificados.

$$TNR = \frac{TN}{TN+FP}$$

## Confusion Matrix and Statistics
## 
##           Reference
## Prediction No Yes
##        No  15  20
##        Yes  5  60
##                                           
##                Accuracy : 0.75            
##                  95% CI : (0.6534, 0.8312)
##     No Information Rate : 0.8             
##     P-Value [Acc > NIR] : 0.91252         
##                                           
##                   Kappa : 0.3902          
##                                           
##  Mcnemar's Test P-Value : 0.00511         
##                                           
##             Sensitivity : 0.7500          
##             Specificity : 0.7500          
##          Pos Pred Value : 0.9231          
##          Neg Pred Value : 0.4286          
##              Prevalence : 0.8000          
##          Detection Rate : 0.6000          
##    Detection Prevalence : 0.6500          
##       Balanced Accuracy : 0.7500          
##                                           
##        'Positive' Class : Yes             
##