Proyecto en equipo sobre métricas de evaluación

Machine Learning · Semana 8

28 de febrero de 2026 ≈ · NRC-200 · 2 entregables

De qué iba

Hicimos un proyecto en equipo comparando dos clasificadores sobre Breast Cancer y midiendo todo lo que pedía la rúbrica: matriz de confusión, exactitud, precisión, recall, F1, especificidad y curva ROC. En el notebook quedó una función evaluar_modelo() que saca los cuadrantes de la matriz a mano y con eso calcula cada métrica. La regresión logística dio 97,90 % de exactitud, 98,31 % de F1 y 98,15 % de especificidad; el árbol de decisión, 95,80 %, 96,59 % y 96,30 %. En la ROC el AUC fue 0,99 contra 0,94. Le sumamos además una sección de K-Means sobre Adult, con las cinco variables continuas estandarizadas y K=4, que dio una silueta de 0,254 sobre una muestra de 10.000 registros. El notebook del Equipo 8 quedó ejecutado, con las cifras a la vista.

Escribí una función evaluar_modelo() que saca los cuadrantes de la matriz de confusión a mano y con eso calcula exactitud, precisión, recall, F1 y especificidad para cada modelo
La regresión logística quedó en 97,90 % de exactitud, 98,31 % de F1 y 98,15 % de especificidad; el árbol de decisión, en 95,80 %, 96,59 % y 96,30 %. En la ROC el AUC fue 0,99 contra 0,94
Agregamos una sección extra de K-Means sobre Adult, con las cinco variables continuas estandarizadas y K=4, que dio una silueta de 0,254 sobre una muestra de 10.000 registros
Dejé por escrito el análisis de cumplimiento contra la rúbrica, verificando referencia por referencia que estuvieran Bartneck et al. y Das y Mert con las páginas indicadas

Lo que costó. Hubo discusión dentro del equipo porque el enunciado mencionaba los talleres de aprendizaje no supervisado y por reforzamiento, y nosotros solo llevábamos clasificadores. Tuve que explicar que la matriz de confusión y la curva ROC no existen sin etiquetas verdaderas, así que esas métricas solo aplican a modelos supervisados. Aun así agregamos el K-Means para no dejar el punto abierto.