Curva de calibración

Si las probabilidades predichas se cumplen.

Definición

Una curva de calibración agrupa las predicciones de un modelo en cubetas y pone cada una como un punto: en horizontal la probabilidad predicha y en vertical la frecuencia observada. La diagonal es la calibración perfecta; los puntos por debajo indican un modelo demasiado optimista y por encima uno demasiado prudente. Se usa para revisar modelos de riesgo, abandono o fraude cuya probabilidad se usa como cifra.

Editar con tus datos SVG Spec JSON

Datos: x · y · size · series
Buena para: Responder si un 70 % del modelo se cumple de verdad unas siete veces de cada diez.
Evítala cuando: Cuando sólo importa que el modelo ordene bien los casos, no que su probabilidad sea exacta.
Se lee bien: Entre 5 y 50 elementos; dibuja hasta 5000
Datos que faltan: Dibuja el valor ausente como cero.
Accesibilidad: Lector de pantalla: resumen en texto · respeta «reducir movimiento»

Forma de los datos

Qué columnas pide

Columna	Tipo	Para qué
`x` · opcional	number	Probabilidad PREDICHA por el modelo: el eje X.
`y` · opcional	number	Frecuencia OBSERVADA en esa cubeta: el eje Y. La diagonal y = x es la calibración perfecta.
`size` · opcional	number	Tamaño de la cubeta: el radio del punto. Sin ella la pieza no dibuja — un punto sin n no se puede ponderar.
`series` · opcional	string	El modelo: una serie de puntos por clasificador.

Tamaños

Recompuesta, no encogida

El motor vuelve a componer la pieza a cada ancho: los rótulos conservan su cuerpo y la figura gana alto si lo necesita.

Móvil · 408 × 499 px

Escritorio · 848 × 648 px

Cuándo usarla

Tres preguntas antes de elegirla

¿Te importa si las probabilidades se cumplen?

Si lo que importa es si el modelo separa bien positivos de negativos, la curva ROC lo mide sin mirar la escala.

Sí: quédate con curva de calibración

No: usa Curva ROC

¿Usas la probabilidad como cifra y no sólo para decidir?

Si al final sólo cuenta acertar o fallar con un umbral fijo, la matriz de confusión cuenta aciertos y errores.

Sí: quédate con curva de calibración

No: usa Matriz de confusión

¿El modelo da una probabilidad y no una cantidad?

Si el modelo predice una cifra continua —ventas, plazos, precios—, los residuos frente a ajustados enseñan si se equivoca de forma sistemática por tramos.

Sí: quédate con curva de calibración

No: usa Residuos frente a ajustados

Código

La misma pieza, con tus datos

import { getPreset, renderComposition } from 'visx-render/node';

const spec = await getPreset('calibrationplot');
spec.data.rows = misFilas; // tus columnas
const { svg, warnings } = await renderComposition(spec);

También en React con Chart y prepareComposition. Guía para desarrolladores →

Dudas

¿Qué es la diagonal?

La calibración perfecta: probabilidad predicha igual a frecuencia observada. Se mide la distancia de cada punto a ella.

¿Qué indica el tamaño de cada punto?

Cuántos casos hay en la cubeta. Sin esa columna el gráfico no se dibuja, porque un punto con pocos casos no pesa lo mismo que uno con muchos.

¿Puedo comparar varios modelos?

Sí: con una columna de serie, cada modelo forma su propio grupo de puntos.

¿Qué hace si faltan datos?

Dibuja el valor ausente como cero. Si un hueco no es un cero en tus datos, rellénalo o elimina la fila antes de dibujar.

¿Cómo se ve en el móvil?

El motor la recompone a 360 px de ancho —rótulos, leyenda y alto— en vez de encoger la versión de escritorio.

Relacionadas

Otras formas de responder «si dos cosas van juntas»

Guía para elegir: si dos cosas van juntas →