Notes

Search

SearchSearch

confusion_matrix

Nov 25, 2024, 2 min read

Função “confusion_matrix”

A função confusion_matrix faz parte do módulo sklearn.metrics da biblioteca Scikit-learn. Essa função é usada para calcular a matriz de confusão de um modelo de classificação, que é uma tabela que mostra a contagem de verdadeiros positivos (TP), falsos positivos (FP), verdadeiros negativos (TN) e falsos negativos (FN) em um problema de classificação.

Sintaxe

from sklearn.metrics import confusion_matrix
 
conf_matrix = confusion_matrix(y_true, y_pred)

Parâmetros:

  • y_true: Array de formato (n_samples,) ou lista que contém as verdadeiras classes alvo (dados de teste) das amostras.

  • y_pred: Array de formato (n_samples,) ou lista que contém as previsões de classe feitas pelo modelo para as amostras.

Retorno:

  • conf_matrix: Matriz de formato (n_classes, n_classes) que representa a matriz de confusão do modelo. A matriz é organizada da seguinte forma:

    Classe Prevista NegativaClasse Prevista Positiva
    Classe Real NegativaVerdadeiro Negativo (TN)Falso Positivo (FP)
    Classe Real PositivaFalso Negativo (FN)Verdadeiro Positivo (TP)

Exemplo

from sklearn.metrics import confusion_matrix
 
# Dados verdadeiros (ground truth)
y_true = [1, 0, 1, 0, 1, 1, 0, 1]
 
# Previsões do modelo
y_pred = [1, 0, 1, 1, 0, 1, 0, 0]
 
# Calculando a matriz de confusão do modelo
conf_matrix = confusion_matrix(y_true, y_pred)
 
print("Matriz de Confusão:")
print(conf_matrix)

Saída:

Matriz de Confusão:
[[2 2]
 [1 3]]

Neste exemplo, temos um conjunto de dados de verdadeiras classes alvo y_true e as previsões do modelo y_pred. Usando a função confusion_matrix, calculamos a matriz de confusão do modelo, que nos mostra que:

  • Há 2 verdadeiros positivos (TP), ou seja, o modelo acertou 2 amostras da classe positiva.

  • Há 3 verdadeiros negativos (TN), ou seja, o modelo acertou 3 amostras da classe negativa.

  • Há 2 falsos positivos (FP), ou seja, o modelo errou 2 amostras prevendo a classe positiva incorretamente.

  • Há 1 falso negativo (FN), ou seja, o modelo errou 1 amostra prevendo a classe negativa incorretamente.

Conclusão

A matriz de confusão é uma ferramenta importante para avaliar o desempenho de um modelo de classificação, pois fornece uma visão detalhada das previsões corretas e incorretas feitas pelo modelo para cada classe. Essa informação é útil para calcular várias métricas de avaliação, como precisão, recall, F1-score, entre outras, que ajudam a entender melhor o desempenho do modelo em diferentes cenários de classificação.

Graph View

Backlinks