Métricas de Matriz de Confusão
Matriz de Confusão Metrics are a set of métricas de avaliação used to assess the performance of classification models in aprendizado de máquina and inteligência artificial. They provide a comprehensive view of how well a model is performing by breaking down the results into different categories based on the predicted and actual classifications.
Uma matriz de confusão em si é uma tabela que resume os resultados de um problema de classificação, mostrando o número de previsões corretas e incorretas divididas por classe. Os principais componentes da matriz de confusão incluem:
- Verdadeiros Positivos (TP): The number of instances correctly predicted as positive.
- Verdadeiros Negativos (TN): The number of instances correctly predicted as negative.
- Falsos Positivos (FP): The number of instances incorrectly predicted as positive (also known as Type I error).
- Falsos Negativos (FN): The number of instances incorrectly predicted as negative (also known as Type II error).
A partir desses valores, várias métricas-chave podem ser derivadas:
- Precisão: The proportion of true results (both true positives and true negatives) among the total number of cases examined.
- Precisão: The ratio of true positives to the sum of true positives and false positives, indicating the accuracy of positive predictions.
- Recordar (Sensibilidade): The ratio of true positives to the sum of true positives and false negatives, reflecting the model’s ability to identify positive instances.
- Pontuação F1: The média harmônica de precisão e recall, fornecendo uma métrica única que equilibra ambas as preocupações.
Ao analisar essas métricas, os profissionais podem obter insights sobre os pontos fortes e fracos de seus modelos de classificação, orientando melhorias e ajustes futuros.