Encontre definições e interpretações para cada estatística da matriz Confusão.
A matriz confusão mostra se a árvore separa as classes bem e corretamente usando essas métricas:
Taxa de positivos verdadeiros (TPR) — a probabilidade da ocorrência de um evento seja predita corretamente
Taxa de falsos positivos (FPR) — a probabilidade de que a ocorrência de um não evento seja predita incorretamente
Taxa falsos negativos (FNR) — a probabilidade de que a ocorrência de um evento seja predita incorretamente
Taxa de negativos verdadeiros (TNR) — a probabilidade de que a ocorrência de não evento seja predita corretamente
Interpretação
Classificação TreeNet®: Doença cardí vs Idade; Pressão Arte; Colesterol; ...
Matriz de confusão
Classe predita
(Treinamento) Classe predita (Teste)
Classe real Contagem Sim Não % Correto Sim Não % Correto
Sim (Evento) 139 124 15 89,21 110 29 79,14
Não 164 8 156 95,12 24 140 85,37
Tudo 303 132 171 92,41 134 169 82,51
Atribua uma linha à classe de eventos se a probabilidade de evento para a linha
exceder 0,5.
Treinamento
Estatística (%) Teste (%)
Taxa de positivo verdadeiro (sensibil. ou poder) 89,21 79,14
Taxa de positivo falso (erro tipo I) 4,88 14,63
Taxa de negativo falso (erro tipo II) 10,79 20,86
Taxa de negativo verdadeiro (especificidade) 95,12 85,37
Neste exemplo, o número total de eventos Sim é de 139, e o número total de Não é de 164.
Nos dados de treinamento, o número de eventos (Sim) preditos é de 124, uma taxa de correção de 89,21%.
Nos dados de treinamento, o número de) não eventos (Não) preditos é de 156, uma taxa de correção de 95,12%.
Nos dados de teste, o número de eventos preditos (Sim) é de 110, uma taxa de correção de 79,14%.
Nos dados de teste, o número de não eventos (Não) preditos é de 140, uma taxa de correção de 85,37%.
No geral, o %Corretos para os dados de treinamento é de 92,41% e para os dados do teste é de 82,51%. Use os resultados para os dados do teste para avaliar a exatidão da predição para as novas observações.
Em geral, um valor baixo para %Corretos é se deve a um modelo ajustado deficiente, que pode ser causado por várias razões diferentes. Se %Corretos for muito baixo, avalie se pesos de classe podem ajudar. Os pesos de classe podem ajudar na produção de um modelo mais preciso quando as observações de uma classe pesam mais do que observações de uma classe diferente. Além disso, você pode alterar a probabilidade quando necessário para que um caso seja classificado como o evento.
