Uma matriz de confusão é um resumo dos resultados de previsão em um problema de classificação. O número de previsões corretas e incorretas é resumido com valores de contagem e dividido por cada classe. Esta é a chave para a matriz de confusão.
- O que é matriz de confusão com exemplo?
- O que é TP FP TN FN?
- Por que precisamos de matriz de confusão?
- Como você avalia uma matriz de confusão?
O que é matriz de confusão com exemplo?
Uma matriz de confusão é uma tabela frequentemente usada para descrever o desempenho de um modelo de classificação (ou "classificador") em um conjunto de dados de teste para os quais os verdadeiros valores são conhecidos. ... O classificador fez um total de 165 previsões (e.g., 165 pacientes estavam sendo testados para a presença dessa doença).
O que é TP FP TN FN?
Verdadeiro positivo (TP): a previsão é + ve e X é diabético, queremos isso. Verdadeiro negativo (TN): a previsão é -ve e X é saudável, queremos isso também. Falso positivo (FP): a previsão é + ve e X é saudável, alarme falso, ruim. Falso negativo (FN): a previsão é -ve e X é diabético, o pior.
Por que precisamos de matriz de confusão?
Matrizes de confusão são usadas para visualizar análises preditivas importantes como recall, especificidade, exatidão e precisão. Matrizes de confusão são úteis porque fornecem comparações diretas de valores como verdadeiros positivos, falsos positivos, verdadeiros negativos e falsos negativos.
Como você avalia uma matriz de confusão?
Confusion Metrics
- Precisão (tudo correto / tudo) = TP + TN / TP + TN + FP + FN.
- Classificação errada (todos incorretos / todos) = FP + FN / TP + TN + FP + FN.
- Precisão (positivos verdadeiros / positivos previstos) = TP / TP + FP.
- Sensibilidade aka Recall (verdadeiros positivos / todos os reais) = TP / TP + FN.