Confusion Matrix

Una matriz de confusión es una herramienta para medir el rendimiento en problemas de clasificación de machine learning cuyo resultado puede incluir dos o más clases. Es una tabla con cuatro combinaciones distintas de valores predichos y reales, y constituye un elemento fundamental para la visualización de datos en la evaluación de modelos. A diferencia de la exactitud simple, que puede resultar engañosa si el conjunto de datos está desequilibrado, una matriz de confusión ofrece un desglose detallado de los errores que comete un modelo de visión por computador (CV). Al comparar las predicciones con las etiquetas de referencia, los desarrolladores pueden determinar si el sistema confunde dos clases concretas o no detecta un objeto por completo.

Componentes principales de la matriz#

La matriz se divide normalmente en cuatro cuadrantes para la clasificación binaria, aunque se amplía para problemas multiclase como los que gestiona Ultralytics YOLO26. Estos cuatro componentes representan la intersección entre lo que predijo el modelo y lo que existe realmente en la imagen.

• Verdaderos positivos (TP): El modelo predice correctamente la clase positiva. Por ejemplo, en una tarea de detección de objetos, el modelo dibuja correctamente un cuadro delimitador alrededor de una persona que realmente está en la imagen.
• Verdaderos negativos (TN): El modelo predice correctamente la clase negativa. Esto es crucial en situaciones como la detección de anomalías, donde el sistema identifica correctamente que una pieza fabricada no tiene defectos.
• Falsos positivos (FP): El modelo predice incorrectamente la clase positiva. Este caso, conocido a menudo como «error de tipo I», se produce cuando el sistema detecta un objeto que no está presente, por ejemplo, cuando una cámara de seguridad identifica una sombra como un intruso.
• Falsos negativos (FN): El modelo predice incorrectamente la clase negativa. Este caso, conocido como «error de tipo II», se produce cuando el modelo no detecta un objeto que está presente, es decir, cuando «pierde» el objetivo.

Métricas derivadas e importancia#

Los valores sin procesar de una matriz de confusión se utilizan para calcular métricas más avanzadas que describen el rendimiento del modelo. Comprender estas métricas derivadas es esencial para optimizar las redes neuronales.

• Precisión: Se calcula como TP / (TP + FP), y esta métrica indica hasta qué punto son precisas las predicciones positivas. Una precisión alta implica menos falsas alarmas.
• Exhaustividad (Sensibilidad): Se calcula como TP / (TP + FN), y mide la capacidad del modelo para encontrar todos los casos positivos. Una exhaustividad alta es vital cuando no detectar un objeto puede tener consecuencias graves.
• Puntuación F1: Es la media armónica de la precisión y la exhaustividad. Proporciona una única puntuación que equilibra el compromiso entre ambas, lo que resulta útil para comparar distintos modelos YOLO26.

Aplicaciones en el mundo real#

El coste específico de los errores definido por la matriz de confusión determina cómo se ajustan los modelos para distintas industrias.

En el ámbito de la IA en sanidad, la matriz de confusión es una cuestión de seguridad. Al entrenar un modelo de análisis de imágenes médicas para detectar tumores, un falso negativo (no detectar un tumor) es mucho peor que un falso positivo (marcar una mancha benigna para que la revise un médico). Por tanto, los ingenieros priorizan la exhaustividad sobre la precisión en estas matrices para garantizar que no se pase por alto ningún riesgo potencial para la salud.

Por el contrario, en el control de calidad de fabricación, la eficiencia es clave. Si un sistema que clasifica piezas de una cadena de montaje genera demasiados falsos positivos (marcar piezas buenas como defectuosas), provoca un desperdicio innecesario y ralentiza la producción. En este caso, la matriz de confusión ayuda a los ingenieros a ajustar el modelo para maximizar la precisión, garantizando que lo rechazado sea realmente defectuoso y agilizando los flujos de trabajo de machine learning automatizado.

Generación de una matriz de confusión con Ultralytics YOLO26#

Al utilizar frameworks modernos, generar esta matriz suele formar parte del proceso de validación estándar. El ejemplo siguiente muestra cómo validar un modelo YOLO26 y acceder a los datos de la matriz de confusión mediante el paquete ultralytics.

from ultralytics import YOLO

# Load a pre-trained YOLO26 model
model = YOLO("yolo26n.pt")

# Validate the model on the COCO8 dataset
# This automatically generates and plots the confusion matrix
metrics = model.val(data="coco8.yaml")

# Access the confusion matrix object directly
print(metrics.confusion_matrix.matrix)

Diferenciación de conceptos relacionados#

Es importante distinguir la matriz de confusión de otros términos de evaluación similares.

• Frente a la exactitud: La exactitud es simplemente la proporción de predicciones correctas respecto al total de predicciones. Aunque resulta útil, la exactitud puede ser muy engañosa en conjuntos de datos desequilibrados. Por ejemplo, si el 95 % de los correos electrónicos no son spam, un modelo que predice «no es spam» para todos los correos tiene una exactitud del 95 %, pero es inútil. La matriz de confusión revela este defecto al mostrar cero verdaderos positivos para la clase de spam.
• Frente a la curva ROC: La matriz de confusión ofrece una instantánea del rendimiento en un único umbral de confianza específico. En cambio, la curva de característica operativa del receptor (ROC) visualiza cómo cambian la tasa de verdaderos positivos y la tasa de falsos positivos al variar dicho umbral. Herramientas como la plataforma de Ultralytics permiten explorar ambas visualizaciones para elegir el punto de funcionamiento óptimo para el despliegue.