Cálculo e interpretação de matrizes de confusão para avaliação de modelo

As matrizes de confusão são ferramentas utilizadas para avaliar o desempenho dos modelos de classificação, que fornecem uma detalhada desagregação das previsões do modelo versus resultados reais, ajudando a identificar áreas onde o modelo se apresenta bem ou precisa de melhorias.

Compreender as matrizes de confusão

Uma matriz de confusão é uma tabela que exibe as contagens de predições positivas verdadeiras, falsas positivas, verdadeiras negativas e falsas negativas. Esses valores ajudam a calcular várias métricas de desempenho, como precisão, precisão, memória e pontuação F1.

Calculando a Matriz de Confusão

Para calcular uma matriz de confusão, compare as legendas previstas do modelo com as legendas reais. Conte o número de instâncias em cada categoria:

• Verdadeiros positivos (TP): Previsões positivas corretas
• Falsos positivos (FP): Previsões positivas incorretas
• Verdadeiros negativos (TN): Previsões negativas corretas
• Falsos negativos (FN): Predições negativas incorretas

Estas contagens são então organizadas em um formato de matriz para análise.

Interpretando os Resultados

Os valores da matriz de confusão ajudam a avaliar os pontos fortes e fracos do modelo, e os valores elevados de PT e TN indicam bom desempenho, enquanto os valores elevados de FP ou FN sugerem áreas de melhoria.

As métricas derivadas da matriz de confusão incluem:

• Precisão: Correctividade geral do modelo
• Precisão: Previsão positiva correta de todas as previsões positivas
• Recordar:] Previsão positiva correta de todos os positivos reais
• F1 Pontuação: Média harmónica de precisão e de memória