Predicciones positivas y negativas verdaderas y falsas

Es importante comprender estas definiciones, ya que forman una parte clave para explicar otros conceptos fundamentales del aprendizaje automático como la precisión y la recuperación.

Las siguientes definiciones se describen en el contexto de su aplicación dentro de la plataforma.

Para empezar:

• Una predicción 'positiva' es aquella en la que el modelo piensa que una etiqueta se aplica a un mensaje
• Una predicción 'negativa' es aquella en la que el modelo piensa que una etiqueta no se aplica a un mensaje

Verdaderos positivos

Un resultado positivo verdadero es aquel en el que el modelo predice correctamente que una etiqueta se aplica a un mensaje.

Verdaderos negativos

Un resultado negativo verdadero es aquel en el que el modelo predice correctamente que una etiqueta no se aplica a un mensaje.

Falsos positivos

Un resultado falso positivo es aquel en el que el modelo predice incorrectamente que una etiqueta se aplica a un mensaje, cuando en realidad no se aplica.

Falsos negativos

Un resultado falso negativo es aquel en el que el modelo predice incorrectamente que una etiqueta no se aplica a un mensaje, cuando en realidad sí se aplica.

Para entender cada uno de estos conceptos con más detalle, consulta aquí.