As métricas de matriz de confusão são ferramentas essenciais para avaliar o desempenho de classificadores supervisionados. Eles fornecem informações detalhadas sobre como um modelo prediz diferentes classes e ajudam a identificar áreas para melhoria.

Compreender a Matriz de Confusão

A matriz de confusão é uma tabela que resume os resultados de predição de um modelo de classificação. Ela exibe as contagens de verdadeiros positivos, verdadeiros negativos, falsos positivos e falsos negativos. Esses valores formam a base para calcular várias métricas de desempenho.

Métricas-chave derivadas da matriz de confusão

Várias métricas podem ser calculadas para avaliar a eficácia de um classificador:

  • Acurança:A proporção de previsões corretas de todas as previsões.
  • Precisão: A proporção de previsões positivas verdadeiras entre todas as previsões positivas.
  • Recorda: A proporção de positivos reais corretamente identificados pelo modelo.
  • F1 Pontuação: A média harmônica de precisão e recall, balanceando ambas as métricas.

Calculando a Métrica

As métricas são calculadas utilizando as seguintes fórmulas:

Precisão = (TP + TN) / (TP + TN + FP + FN)

Precisão = TP / (TP + FP)

Relembrar = TP / (TP + FN)

F1 Pontuação = 2 * (Precisão * Recordar) / (Precisão + Recordar)