Lección 2 del curso Clasificación de Imágenes con Deep Learning.
En la lección anterior vimos una introducción general a la clasificación de imágenes usando modelos de Deep Learning y allí definimos formalmente qué es la clasificación de imágenes, en qué consisten las fases de entrenamiento, validación y prueba de un modelo y qué son la clasificación binaria y la clasificación multiclase.
En esta segunda lección veremos las principales métricas que nos permitirán cuantificar el desempeño de un clasificador de imágenes, con las cuales podremos verificar si tras el entrenamiento el modelo realmente logra aprender a realizar una clasificación adecuada:
Contenido exclusivo para suscriptores
Si eres suscriptor accede en este enlace ó suscríbete a la Academia Online y accede a todo el contenido (lecciones en video, código fuente, sets de datos y descargas) de todos los cursos, proyectos y tutoriales.
Como acabamos de ver, las métricas del desempeño nos permiten medir qué tan buenas son las predicciones hechas por el modelo al momento de clasificar las imágenes.
Una de las métricas más comunes es la exactitud, que mide simplemente la proporción de imágenes clasificadas correctamente con respecto al total de los datos presentados al modelo, aunque tiene la desventaja de que no resulta adecuada cuando tenemos sets de datos desbalanceados. En estas situaciones se sugiere hacer uso de las métricas «precision», «recall» o del puntaje F1 (F1 «score»).
Estas serán precisamente las métricas que usaremos a lo largo del curso para evaluar los diferentes modelos de clasificación que entrenaremos.
Así que teniendo claras cuáles son estas métricas de desempeño, en la próxima lección haremos un breve repaso de las principales características de las Redes Convolucionales y de su uso como arquitecturas para la clasificación de imágenes.
Todas las lecciones del curso Clasificación de Imágenes con Deep Learning