Saltar al contenido principal
Loading...
Skip to article
  • Qualtrics Platform
    Qualtrics Platform
  • Customer Journey Optimizer
    Customer Journey Optimizer
  • XM Discover
    XM Discover
  • Qualtrics Social Connect
    Qualtrics Social Connect

Plantilla de artículo


Was this helpful?


This site is protected by reCAPTCHA and the Google Privacy Policy and Terms of Service apply.

The feedback you submit here is used only to help improve this page.

That’s great! Thank you for your feedback!

Thank you for your feedback!


La matriz de confusión y el gráfico de precisión-recuperación le ayudan a evaluar la precisión de su modelo.

Matriz de confusión

Digamos que estás pensando en regalar un terrón de azúcar extra a los clientes que probablemente regresen. Pero, por supuesto, usted quiere evitar regalar terrones de azúcar innecesariamente, por lo que sólo se los da a clientes que, según el modelo, tienen al menos un 30 % de probabilidades de regresar.

Si pasaran por tu casa nuevos clientes…

ID de cliente Edad Sexo
324 54 Femenino
325 23 Femenino
326 62 Masculino
327 15 Femenino

 

…podría utilizar nuestro modelo de regresión para predecir la probabilidad de que regresen…

ID de cliente Edad Sexo Probabilidad de retorno estimada por el modelo
324 54 Femenino 34%
325 23 Femenino 24%
326 62 Masculino 65%
327 15 Femenino 7%

 

…y decide clasificar a los clientes con al menos un 30% de probabilidad como “Volverán” y darles terrones de azúcar:

ID de cliente Edad Sexo Probabilidad de retorno estimada por el modelo Predicción del modelo
(30% de corte)
324 54 Femenino 34% Volverá
325 23 Femenino 24% No
326 62 Masculino 65% Volverá
327 15 Femenino 7% No

 

Sin embargo, para comprender mejor la precisión de nuestro modelo, puede aplicar a los puntos de datos que ya tiene, donde ya sabe si ese cliente finalmente regresó…

ID de cliente Edad Sexo Probabilidad de retorno estimada por el modelo Predicción del modelo
(30% de corte)
Devuelto
1 21 Masculino 44% Volverá Devuelto
2 34 Femenino 4% No Devuelto
3 13 Femenino 65% Volverá No
4 25 Femenino 27% No No

 

…y evaluar la precisión de los datos…

ID de cliente Edad Sexo Probabilidad de retorno estimada por el modelo Predicción del modelo
(30% de corte)
Devuelto Precisión de la predicción
1 21 Masculino 44% Volverá Devuelto Correcto
2 34 Femenino 4% No Devuelto Incorrecto
3 13 Femenino 65% Volverá No Incorrecto
4 25 Femenino 27% No No Correcto

 

…y luego lo desglosamos en las siguientes categorías:

  • Verdadero Positivo:Clasificado por el modelo como “Regresará” y de hecho “Regresó” en realidad.
  • Falso positivo:Clasificado por el modelo como “Regresará” pero en realidad “No regresó”.
  • Verdadero negativo:Clasificado por el modelo como “No volverá” y en realidad “No volvió”.
  • Falso negativo:Clasificado por el modelo como “No volverá” pero en realidad “Devolvió”.
ID de cliente Edad Sexo Probabilidad de retorno estimada por el modelo Predicción del modelo
(30% de corte)
Devuelto Precisión de la predicción Tipo de precisión
1 21 Masculino .44 Volverá Devuelto Correcto Verdadero positivo
2 34 Femenino .04 No Devuelto Incorrecto Falso negativo
3 13 Femenino .65 Volverá No Incorrecto Falso positivo
4 25 Femenino .27 No No Correcto Verdadero negativo

 

Por último, podríamos resumir todo este trabajo en precisión y recuperación.

Precisión:

  • De aquellos clasificados como “regresarán”, ¿qué proporción lo hizo realmente?
  • Verdadero positivo / (Verdadero positivo + Falso positivo)

Recordar:

  • Recordemos: De aquellos que efectivamente “regresaron”, ¿qué proporción fueron clasificados de esa manera?
  • Verdadero positivo / (Verdadero positivo + Falso negativo)

Los mejores modelos tienen valores más altos de precisión y recuperación.

  • Se puede imaginar un modelo con un 94% de precisión (casi todos los identificados como “Regresarán” lo hacen de hecho) y un 97% de recuperación (casi todos los que “Regresaron” fueron identificados como tales).
  • Un modelo más débil puede tener una precisión del 95% pero una recuperación del 50% (cuando identifica a alguien como “Regresará”, es en gran medida correcto, pero etiqueta erróneamente como “No regresará” a la mitad de los que de hecho “Regresarán” más tarde).
  • O tal vez el modelo tiene un 60% de precisión y un 60% de recuperación.

Estos números deberían darle una buena idea de qué tan preciso es su modelo, incluso si en realidad nunca desea hacer ninguna predicción.

Precisión vs. Curva de recuperación

Dentro de cualquier modelo, también puedes decidir enfatizar la precisión o la recuperación. Tal vez te falten terrones de azúcar y solo quieras dárselos a personas que estás muy seguro de que volverán, por lo que decides dárselos solo a clientes que tengan un 60 % de probabilidades de volver (en lugar del 30 %).

Nuestra precisión aumentará porque sólo entregarás terrones de azúcar cuando estés realmente seguro de que alguien “regresará”. Nuestro retiro se reducirá porque habrá mucha gente que finalmente “regresará” y a la que no confiaste lo suficiente como para darle un terrón de azúcar.

Precisión: 62% —> 80%
Recordatorio: 60% —> 30%

O, si te sientes rico en terrones de azúcar, podrías dárselos a cualquier persona que tenga al menos un 10% de posibilidades de volver.

Precisión: 62% —> 40%
Recordatorio: 60% —> 90%

Puedes rastrear este equilibrio entre precisión y recuperación con este gráfico:

Gráfico de compensación entre recuperación y precisión

Puede ser útil elegir un punto en el gráfico que represente una buena combinación de precisión y recuperación, y luego tener una idea de qué tan preciso es el modelo en ese punto.

Preguntas frecuentes

Muchas de las páginas de este sitio han sido traducidas del inglés original utilizando la traducción automática. Aunque en Qualtrics hemos realizado nuestra diligencia debida para obtener las mejores traducciones automáticas posibles, la traducción automática nunca es perfecta. El texto original en inglés se considera la versión oficial, y cualquier discrepancia entre el inglés original y las traducciones automáticas no son legalmente vinculantes.