Suporte ao Minitab® 

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

Saiba mais sobre Minitab
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 na matriz de Confusão.
A matriz de Confusão mostra o quão bem a árvore separa corretamente as classes usando estas métricas:
  • Taxa de verdadeiros positivos (TPR) — a probabilidade de que um caso de evento seja previsto corretamente
  • Taxa de falsos positivos (FPR) — a probabilidade de que um caso não evento seja previsto 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
(Validação cruzada)


Classe realContagemSimNão% CorretoSimNão% Correto
Sim (Evento)1391241589,211102979,14
Não164815695,122414085,37
Todos30313217192,4113416982,51
Atribua uma linha à classe de eventos se a probabilidade de evento para a linha exceder 0,5.
     
EstatísticasTreinamento
(%)		Validação
cruzada (%)
Taxa de positivo verdadeiro (sensibil. ou poder)89,2179,14
Taxa de positivo falso (erro tipo I)4,8814,63
Taxa de negativo falso (erro tipo II)10,7920,86
Taxa de negativo verdadeiro (especificidade)95,1285,37

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 previstos (Sim) é 124, o que representa 89,21% de correção.
  • Nos dados de treinamento, o número de não-eventos previstos (Não) é 156, o que está 95,12% correto.
  • Nos resultados de validação cruzada, o número de eventos previstos (Sim) é 110, o que representa 79,14% de correção.
  • Nos resultados de validação cruzada, o número de não-eventos previstos (Não) é 140, o que está correto em 85,37%.
No geral, o % de correto para treinamento é 92,41% e 82,51% para validação cruzada. 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 necessária para que um caso seja classificado como o evento.

Copyright © 2026 Minitab, LLC. All rights Reserved.