Finishes: Colors & Stains
Antes de mergulharmos na melhor matriz da confusão, vamos primeiro entender o que é uma matrix confusion. Uma Matrix Confusation ♠ (matriz) consiste em um quadro onde se resume a performance do modelo machine learning comparando suas previsões com os verdadeiros ♠ rótulos reais e quatro entradas: true positive(TP), True Negativos/TN).
Recall: TP / (PT + FN)
Estas métricas fornecem uma avaliação abrangente do ♠ desempenho de um modelo machine learning. Precisão e recall são úteis para avaliar a capacidade da modelagem em classificar instâncias ♠ positivas ou negativas corretamente, enquanto o escore F1 fornece medidas equilibradas das duas coisas: precisão é medida pela proporção geral ♠ entre as previsões corretas fora dos casos anteriores;
Em conclusão, uma matriz de confusão é um instrumento crucial para avaliar o ♠ desempenho do modelo machine learning. A melhor matrix confusionada na avaliação dos modelos Machine-Learning inclui métricas como precisão e memória ♠ (record), pontuação F1 ou exatidão; além disso outras medidas tais com a curva ROC – curvas da chamada precisa - ♠ podem fornecer informações valiosas sobre seu comportamento em relação ao rendimento das máquinas que utilizam esse tipo...