parametros obtidos a partir da matriz de confusão em IA
A matriz de confusão é a ferramenta fundamental para avaliar o desempenho de modelos de classificação em Inteligência Artificial e Aprendizado de Máquina. A partir dos seus quatro componentes básicos — Verdadeiros Positivos (VP), Verdadeiros Negativos (VN), Falsos Positivos (FP) e Falsos Negativos (FN) —, é possível derivar uma série de parâmetros essenciais para entender onde o modelo acerta e onde erra.
1. Os Componentes Básicos (Contexto Binário)
VP (Verdadeiro Positivo): O modelo previu que era positivo, e o valor real era positivo.
VN (Verdadeiro Negativo): O modelo previu que era negativo, e o valor real era negativo.
FP (Falso Positivo / Erro Tipo I): O modelo previu que era positivo, mas o valor real era negativo (alarme falso).
FN (Falso Negativo / Erro Tipo II): O modelo previu que era negativo, mas o valor real era positivo (perdeu o evento).
2. Principais Parâmetros Derivados
Acurácia (Accuracy)
O que mede: A proporção total de previsões corretas feitas pelo modelo em relação ao total de amostras.
Fórmula:
Quando usar: Útil quando as classes estão perfeitamente balanceadas. Deve ser evitada em cenários com forte desbalanceamento de classes (ex: detecção de fraudes raras).
Precisão (Precision)
O que mede: Dentre todas as previsões que o modelo classificou como positivas, quantas realmente eram positivas?
Fórmula:
Quando usar: Crucial quando o custo de um Falso Positivo é alto (ex: spam: você não quer que um e-mail importante vá para a lixeira por engano).
Sensibilidade / Revocação / Recall (Sensitivity / Recall)
O que mede: Dentre todos os casos realmente positivos no conjunto de dados, quantos o modelo conseguiu detectar?
Fórmula:
Quando usar: Fundamental quando o custo de um Falso Negativo é crítico (ex: diagnósticos médicos de doenças graves, onde deixar de identificar um doente é perigoso).
Especificidade (Specificity)
O que mede: Dentre todos os casos realmente negativos, quantos o modelo conseguiu identificar corretamente?
Fórmula:
Quando usar: Importante quando o foco está em mapear com precisão a classe negativa ou saudável.
F1-Score
O que mede: A média harmônica entre a Precisão e a Revocação.
Fórmula:
Quando usar: Excelente métrica de resumo quando se busca um equilíbrio entre Precisão e Recall, especialmente em bases de dados desbalanceadas.
Taxa de Falso Positivo (False Positive Rate - FPR)
O que mede: A proporção de negativos reais que foram incorretamente classificados como positivos.
Fórmula:
Uso principal: Utilizada na construção da Curva ROC (junto com o Recall) para avaliar o limiar de decisão (threshold) do modelo.
