Saltar al contenido
Omnikalc

Calculadora del coeficiente de Matthews: una puntuación equilibrada para una matriz de confusión

Introduce los verdaderos y falsos positivos y negativos para obtener el MCC, con la exactitud, la puntuación F1 y el J de Youden.

Actualizado el
Tus datos

Valor fuera de rango

Valor fuera de rango

Valor fuera de rango

Valor fuera de rango

Resultados

Coeficiente de correlación de Matthews (MCC)

0,6299

Acuerdo moderado
Exactitud
85,00 %
Puntuación F1
0,7273
J de Youden (sensibilidad + especificidad − 1)
0,5952

La exactitud puede engañar cuando una clase es rara. La calculadora del coeficiente de Matthews toma los verdaderos positivos, falsos positivos, falsos negativos y verdaderos negativos, y da el MCC, con la exactitud, la puntuación F1 y el J de Youden para comparar.

Cómo se hace el cálculo

  • Introduce las cuatro casillas de tu matriz de confusión: verdaderos positivos, falsos positivos, falsos negativos y verdaderos negativos.
  • El coeficiente de correlación de Matthews vale MCC = (VP × VN − FP × FN) ÷ √((VP + FP)(VP + FN)(VN + FP)(VN + FN)).
  • Va de −1, una predicción perfectamente invertida, a +1, una predicción perfecta, pasando por 0, que no es mejor que el azar.
  • La calculadora muestra también la exactitud, la puntuación F1 y el J de Youden para comparar.

Ejemplo

Una prueba da 40 verdaderos positivos, 10 falsos positivos, 20 falsos negativos y 130 verdaderos negativos. El numerador vale 40 × 130 − 10 × 20 = 5000 y el denominador √(50 × 60 × 140 × 150) ≈ 7937, así que MCC = 0,6299. La exactitud es del 85,00 %, la puntuación F1 de 0,7273 y el J de Youden de 0,5952.

Por qué es útil

Los profesionales del aprendizaje automático, los diseñadores de pruebas diagnósticas y los bioinformáticos usan el MCC porque trata de forma equitativa las dos clases. Muchas publicaciones lo indican ya junto a la exactitud y al F1 para la clasificación binaria, y es especialmente útil para comparar un modelo en conjuntos de datos cuya proporción de casos positivos es muy diferente.

Conviene saber

El MCC describe un único punto de funcionamiento de un clasificador. No muestra cómo varía el rendimiento con el umbral de decisión, algo que sí muestra una curva ROC. Para más de dos clases existe una versión multiclase que no se trata aquí. Indica los cuatro recuentos junto con el MCC para que los lectores puedan recalcular cualquier otra medida que prefieran.

Herramientas relacionadas

La calculadora de la matriz de confusión da medidas más clásicas a partir de los mismos cuatro recuentos, y la de la significación de una correlación explica la idea que hay detrás del MCC.

Preguntas frecuentes

¿Qué es el coeficiente de correlación de Matthews?

Es un único número que resume la calidad de un clasificador binario a partir de las cuatro casillas de la matriz de confusión. Es la correlación de Pearson entre las etiquetas predichas y las verdaderas, y se describe a menudo como una medida equilibrada.

¿Por qué es mejor el MCC que la exactitud con datos desequilibrados?

La exactitud puede parecer excelente si un clasificador se limita a predecir la clase mayoritaria. El MCC solo da una puntuación alta si el clasificador acierta en las dos clases. Cuando el 95 % de los casos son negativos, predecir siempre negativo da un 95 % de exactitud pero un MCC de 0.

¿Cómo se interpreta el valor?

Un valor próximo a 1 significa que predicciones y realidad coinciden casi a la perfección, 0 que la predicción no es mejor que el azar y −1 que está en total desacuerdo. Muchos profesionales consideran fuerte 0,7 o más, pero el umbral adecuado depende del ámbito.

¿Qué ocurre si una fila o una columna de la matriz está vacía?

Si una de las cuatro sumas del denominador es nula, el MCC no está definido. Por convención, esta calculadora muestra entonces 0, lo que indica que la puntuación no aporta información.

¿Te ha resultado útil esta calculadora?

¡Gracias por tu opinión!

Resultados orientativos con fines informativos. No sustituyen el consejo de un profesional.