Calculadora del coeficiente de correlación de Matthews
Usa nuestra calculadora del coeficiente de correlación de Matthews (MCC) para medir la calidad de un clasificador binario usando verdaderos positivos, verdaderos negativos, falsos positivos y falsos negativos. Incluye la fórmula del coeficiente de correlación de Matthews, la interpretación del MCC y qué se considera un buen coeficiente de correlación de Matthews.
¿Qué es el coeficiente de correlación de Matthews?
El coeficiente de correlación de Matthews (MCC) es una puntuación de un solo número que evalúa un modelo de clasificación binaria usando los cuatro resultados de una matriz de confusión: verdaderos positivos (TP), verdaderos negativos (TN), falsos positivos (FP) y falsos negativos (FN).
A menudo se prefiere el MCC frente a la exactitud (accuracy) cuando las clases están desbalanceadas porque tiene en cuenta tanto las predicciones positivas como las negativas de forma equilibrada.
El valor del MCC va de -1 a +1: +1 indica predicción perfecta, 0 indica un rendimiento no mejor que adivinar al azar, y -1 indica desacuerdo total entre las predicciones y las etiquetas reales.
Fórmula del coeficiente de correlación de Matthews
El MCC se calcula a partir de los conteos de la matriz de confusión TP, TN, FP y FN. El resultado es una puntuación estilo correlación entre las etiquetas binarias predichas y las reales.
Si algún factor del denominador es 0, el MCC puede quedar indefinido; muchas calculadoras devuelven 0 en ese caso límite.
Cuanto más alto, mejor es el rendimiento de clasificación.
La exactitud puede verse alta incluso con mal rendimiento en la clase minoritaria; el MCC penaliza eso.
Definiciones
El MCC se basa en los cuatro conteos de una matriz de confusión.
- Verdadero positivo (TP)
- Casos en los que el modelo predijo positivo y la etiqueta real es positiva.
- Verdadero negativo (TN)
- Casos en los que el modelo predijo negativo y la etiqueta real es negativa.
- Falso positivo (FP)
- Casos en los que el modelo predijo positivo pero la etiqueta real es negativa (error de tipo I).
- Falso negativo (FN)
- Casos en los que el modelo predijo negativo pero la etiqueta real es positiva (error de tipo II).
- Matriz de confusión
- Una tabla 2×2 que resume los resultados de predicción (TP, TN, FP, FN) para clasificación binaria.
Cómo calcular el MCC
- 1
Introduce Verdaderos positivos (TP): predijo positivo y realmente es positivo.
- 2
Introduce Verdaderos negativos (TN): predijo negativo y realmente es negativo.
- 3
Introduce Falsos positivos (FP): predijo positivo pero realmente es negativo.
- 4
Introduce Falsos negativos (FN): predijo negativo pero realmente es positivo.
Preguntas frecuentes
El coeficiente de correlación de Matthews (MCC) es una métrica para clasificación binaria que resume el rendimiento usando TP, TN, FP y FN, produciendo una puntuación de -1 a 1.
En general, cuanto más cerca de 1, mejor. A grandes rasgos, valores por encima de ~0.5 suelen indicar un modelo útil, pero lo “bueno” depende de tu conjunto de datos, el desbalance de clases y los costos reales de FP vs FN.
MCC = 0 significa que tus predicciones son aproximadamente tan informativas como adivinar al azar (sin correlación global entre etiquetas predichas y reales).
No. El MCC es una puntuación estilo correlación, no una probabilidad. Resume la calidad de la clasificación y puede ser negativa.
Muchas calculadoras muestran un coeficiente de correlación (a menudo r) para relaciones lineales entre dos variables numéricas. El MCC es diferente: es un coeficiente de correlación diseñado específicamente para resultados de clasificación binaria usando TP/TN/FP/FN.
Calcula TP·TN − FP·FN y luego divide por la raíz cuadrada de (TP+FP)(TP+FN)(TN+FP)(TN+FN).
No. Solo necesitas los conteos de la matriz de confusión (TP, TN, FP, FN).