Matriz de Confusão

O que é uma Matriz de Confusão?

Uma matriz de confusão é uma tabela usada para avaliar o desempenho de uma classification algorithm. It provides a comprehensive view of how well the model is performing by summarizing the results of predictions made pelo modelo.

Componentes de uma Matriz de Confusão

Uma matriz de confusão geralmente consiste em quatro componentes principais:

• Verdadeiros Positivos (TP): O número de instâncias corretamente previstas como positivas.
• Verdadeiros Negativos (TN): O número de instâncias corretamente previstas como negativas.
• 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).

Compreendendo a Matriz

A estrutura de uma matriz de confusão pode ser ilustrada da seguinte forma:

                  Predicted Positive    Predicted Negative
Actual Positive         TP                     FN
Actual Negative         FP                     TN

This layout helps in visualizing the performance of the classification model, allowing for the calculation of various desempenho específicas.

Métricas de Desempenho

A partir dos valores na matriz de confusão, várias métricas de desempenho importantes podem ser derivadas:

• Precisão: (VP + VN) / (VP + VN + FP + FN)
• Precisão: VP / (VP + FP)
• Recordar (Sensibilidade): VP / (VP + FN)
• Pontuação F1: 2 * (Precisão * Recall) / (Precisão + Recall)

Essas métricas ajudam a determinar o quão bem um modelo está se saindo em termos de identificar corretamente instâncias positivas e negativas. Uma matriz de confusão bem construída é essencial para entender os pontos fortes e fracos de um modelo de classificação.