Matriz de confusão para Ajuste de modelo e Descubrir preditores-chave com Classificação TreeNet^®

Observação

Este comando está disponível com o Módulo de análise preditiva. Clique aqui saber mais sobre como ativar o módulo.

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

Matriz de confusão

		Classe predita (Treinamento)
		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
Todos	303	132	171	92,41	134	169	82,51

Estatísticas	Treinamento (%)	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.

Matriz de confusão para Ajuste de modelo e Descubrir preditores-chave com Classificação TreeNet®

Observação

Interpretação

Matriz de confusão

Matriz de confusão para Ajuste de modelo e Descubrir preditores-chave com Classificação TreeNet^®