Matriz de confusão em aprendizado de máquina: sua solução única

Dentro , geralmente temos 2 tipos diferentes de casos de uso, , e problema. O Confusion Matrix ajuda a calcular a precisão do modelo de classificação, o que indiretamente nos ajuda a descrever o desempenho do modelo de classificação. É a etapa mais importante quando se trata de avaliar um modelo. Abordarei os seguintes tópicos neste artigo:

1. O que é uma matriz de confusão?

2. Precisão e componentes da matriz de confusão

3. Precisão, recall e medição F

4. Criação de uma matriz de confusão usando Python e Sklearn

O que é uma matriz de confusão?

Da figura acima:
Nós temos,

função de potência em java para inteiros

• Valor real da classe 1 = 1, que é semelhante ao valor positivo em um resultado binário.
• Valor real da classe 2 = 0, que é semelhante a um valor negativo no resultado binário.

O índice do lado esquerdo da matriz de confusão indica basicamente os valores reais e a coluna superior indica os valores previstos.

Existem vários componentes quando criamos uma matriz de confusão. Os componentes são mencionados abaixo

Positivo (P): O resultado previsto é positivo (exemplo: a imagem é um gato)

Negativo (N): o resultado previsto é negativo (exemplo: as imagens não são de um gato)

Verdadeiro positivo (TP): Aqui, TP basicamente indica o valor previsto e o valor real é 1 (verdadeiro)

Verdadeiro negativo (TN): Aqui TN indica o previsto e o valor real é 0 (Falso)

Falso negativo (FN): Aqui, FN indica que o valor previsto é 0 (negativo) e o valor real é 1. Aqui, os dois valores não correspondem. Portanto, é falso negativo.

Falso positivo (FP): Aqui, FP indica que o valor previsto é 1 (positivo) e o valor real é 0. Aqui, novamente, ambos os valores são incompatíveis. Portanto, é falso positivo.

Precisão e componentes da matriz de confusão

• Precisão de classificação

Pela fórmula acima, a soma de TP (Verdadeiro Positivo) e TN (Verdadeiro Negativo) são os resultados preditos corretos. Portanto, para calcular a precisão em porcentagem, dividimos com todos os outros componentes. No entanto, existem alguns problemas de precisão e não podemos depender totalmente disso.

Vamos considerar que nosso conjunto de dados está completamente desequilibrado. Neste cenário, a precisão de 98% pode ser boa ou ruim com base na declaração do problema. Portanto, temos mais alguns termos-chave que nos ajudarão a ter certeza sobre a precisão que calculamos. Os termos são os seguintes:

• TPR (True Positive Rate) ou Sensibilidade:

A taxa de Positivo Verdadeiro, também conhecida como Sensibilidade, mede a porcentagem do Positivo Verdadeiro em relação ao Total de Positivos Reais, que é indicado por (TP + FN)

• TNR (True Negative Rate) ou especificidade:

A taxa ou especificidade verdadeira negativa mede a proporção de negativos reais em relação ao total de negativos

TNR = Verdadeiro Negativo / (Verdadeiro Negativo + Falso Positivo)

• Taxa de falso positivo (FPR):

Taxa de falsos positivos é a porcentagem de falsos positivos previstos (FP) em relação ao número total de resultados positivos previstos (TP + FP).

• Taxa de falso negativo (FNR):

Taxa de falsos negativos é a porcentagem de falsos negativos previstos (FP) em relação ao número total de resultados negativos previstos (TN + FN).

Precisão, recall e medida F

• Lembre-se:

Uma rechamada é semelhante à Taxa de Positivo Verdadeiro e é a proporção do número total de valores positivos preditos corretamente (TP) para todos os valores positivos.

• Precisão:

A precisão indica basicamente todos os pontos que o modelo previu como positivos e qual a porcentagem deles são realmente positivos.

o que o scanner faz em java

Precisão e recall são resultados de métricas que se concentram na classe positiva, conforme mostrado nas fórmulas acima.

• F-Measure

Portanto, F-Measure é uma técnica que combina a técnica de Precisão e Rechamada e usa a Média Harmônica no lugar da Média Aritmética usual, devido à qual os valores extremos são punidos. A medida F também é chamada de pontuação F1 e é dada pela fórmula abaixo.

Vamos considerar um exemplo e ver como podemos calcular a Exatidão, a Precisão, a Recuperação e a pontuação F1.

• • Precisão = (TP + TN) / (TP + TN + FP + FN) = (150 + 100) / (150 + 100 + 20 + 10) = 0,89
  • Rechamada = TP / (TP + FN) = 150 / (150 + 10) = 0,93
  • Precisão: TP / (TP + FP) = 150 / (150 + 20) = 0,88

• Medida F = (2 * Rechamada * Precisão) / (Rechamada + Presisão) = (2 * 0,93 * 0,88) / (0,93 + 0,88) = 0,90

Criando uma matriz de confusão usando Python e Sklearn

Agora veremos um exemplo de como podemos criar uma matriz de confusão usando python junto com a biblioteca sklearn.

1. Inicialmente, criaremos uma lista dos dados reais e previstos para verificar a precisão conforme mostrado abaixo

# Script Python para criação de matriz de confusão. dados_realistas = [1, 1, 0, 1, 0, 0, 1, 0, 0, 0,1,0,1] dados_preditados = [0, 1, 1, 1, 0, 0, 1, 0, 1, 0,1,0,1]

2 Precisamos importar a matriz de confusão da biblioteca sklearn conforme mostrado abaixo:

de sklearn.metrics import confused_matrix

3 - A seguir, criaremos a matriz de confusão conforme mostrado abaixo:

final_results = confusão_matrix (actual_data, predicted_data)

Quatro. Agora podemos prosseguir e calcular a precisão importando a biblioteca conforme mostrado abaixo:

de sklearn.metrics importar exatidão_score exatidão = exatidão_score (actual_data, predicted_data)

5 Finalmente, calculamos a pontuação F1 ou F-Measure conforme mostrado abaixo:

de sklearn.metrics importar relatório classificação_report = classificação_report (dados_real, dados_previstos)

Abaixo está o código completo:

dados_realistas = [1, 1, 0, 1, 0, 0, 1, 0, 0, 0,1,0,1] dados_preditados = [0, 1, 1, 1, 0, 0, 1, 0, 1, 0,1,0,1] de sklearn.metrics importar confusão_matrix final_results = confusão_matrix (actual_data, predicted_data) imprimir (final_results) de sklearn.metrics importar exatidão_score exatidão = exatidão_score (actual_data, predicted_data) de sklearn.metrics importar classificação_report report = classificação_report ( dados_real, dados_previstos) imprimir (precisão) imprimir (relatório)

Então, com isso, chegamos ao fim deste artigo. Espero que toda a sua confusão sobre a matriz de confusão esteja resolvida.