Falsos negativos

Entrenar un modelo es fácil. Lo difícil es saber si anda bien. Para eso se mide la exactitud (accuracy): el porcentaje de aciertos sobre datos de prueba.

✅ Accuracy: proporción de aciertos

from sklearn.metrics import accuracy_score

y_real    = [0, 1, 1, 0, 1]
y_predicho = [0, 1, 0, 0, 1]   # se equivocó en el 3ro

print(accuracy_score(y_real, y_predicho))   # 0.8 -> 4 de 5

🪓 Entrenar y evaluar bien

La regla de oro: entrenás con una parte y evaluás con otra (que el modelo no vio). Así sabés cómo se va a portar con datos nuevos de verdad.

import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score

# dos grupos bien separados
X = np.array([[90, 40], [88, 42], [86, 44], [40, 90], [42, 88], [44, 86]])
y = np.array([0, 0, 0, 1, 1, 1])

X_tr, X_te, y_tr, y_te = train_test_split(X, y, test_size=0.5, random_state=0)
modelo = KNeighborsClassifier(n_neighbors=1).fit(X_tr, y_tr)

predicciones = modelo.predict(X_te)
print("exactitud:", accuracy_score(y_te, predicciones))

P: ¿Qué significa una accuracy de `0.8`?
- El modelo acertó el 8% de las predicciones
- El modelo tiene un error del 80%
+ El modelo acertó el 80% de las predicciones
> Accuracy es la proporción de aciertos: `0.8` = 4 de cada 5 predicciones correctas. Un valor de `1.0` sería perfecto (100% de aciertos).

⚡ Atajo: .score()

Casi todos los modelos tienen .score(X_test, y_test), que entrena… no: calcula la exactitud directamente.

import numpy as np
from sklearn.neighbors import KNeighborsClassifier

X = np.array([[90, 40], [40, 90]])
y = np.array([0, 1])
modelo = KNeighborsClassifier(n_neighbors=1).fit(X, y)

print(modelo.score(X, y))   # 1.0

P: ¿Qué es el overfitting?
- Cuando el modelo tiene muy pocos datos para entrenar
+ Cuando el modelo memorizó los datos de entrenamiento pero no generaliza bien a datos nuevos
- Cuando la accuracy en test supera el 95%
> El overfitting ocurre cuando el modelo "se aprende de memoria" los datos de entrenamiento. Parece perfecto en train pero falla con datos nuevos. Por eso siempre se evalúa en un test set separado.

📝 Resumen

Cosa	Para qué
accuracy_score(real, pred)	proporción de aciertos
entrenar con train, evaluar con test	medición honesta
modelo.score(X_test, y_test)	exactitud en un paso
overfitting	memorizar en vez de aprender

➡️ ¿Y ahora qué?

Practicá con los ejercicios de este tema. 💪