Além da acurácia
Por que isso importa Em um teste de doença rara onde 95% das pessoas estão saudáveis, um modelo que sempre diz "saudável" marca 95% de acurácia e é inútil.
A confusion matrix conta, para cada classe verdadeira, com que frequência cada classe foi prevista: linha = verdade, coluna = previsão. A partir dela, para uma classe que te interessa:
- Precisão: das vezes que o modelo disse "positivo", com que frequência ele estava certo?
- Recall: dos reais positivos, quantos o modelo encontrou?
Números pequenos
100 pessoas, 5 doentes. O modelo preguiçoso diz saudável para todos: acurácia 95%, revocação 0 de 5 = 0. Um modelo real sinaliza 8 pessoas, 4 delas doentes: precisão 4/8 = 0.5, revocação 4/5 = 0.8, e acurácia (4 + 91) / 100 = 95%. Mesma acurácia, utilidade completamente diferente.
Palavras e símbolos nesta lição
- matriz de confusão
- contagens da classe verdadeira (linha) contra a classe prevista (coluna)
- precisão, revocação
- do que ele sinalizou, quanto estava certo; do que havia lá, quanto ele encontrou
Escreva confusion(y_true, y_pred, k) (uma matriz k por k de contagens) e precision_recall(y_true, y_pred, positive) retornando um par (use 0.0 quando não houver nada para dividir).
Viu um problema nesta lição? Reporte-o · Pergunte sobre esta lição
Este exercício abre em breve
Termine a lição anterior para que esta seja desbloqueada. O curso inteiro é gratuito, não precisa de conta, e você pode ler esta lição agora mesmo.
Este navegador está bloqueando cookies para learn.floati.life, então as lições que você terminou aqui não podem abrir em ordem. Permita cookies para este site e recarregue.