As métricas de avaliação de desempenho de um modelo
de aprendizado de máquina, que é um componente integrante de
qualquer projeto de ciência de dados, destinam-se a estimar a
precisão da generalização de um modelo sobre os dados futuros
(não vistos ou fora da amostra). Dentre as métricas mais
conhecidas, estão a matriz de confusão, precisão, recall,
pontuação, especificidade e a curva de características
operacionais do receptor (ROC).
Acerca das características específicas dessas métricas, julgue o próximo item.
A matriz de confusão a seguir apresenta três rótulos de classe; os elementos diagonais representam o número de pontos para os quais o rótulo previsto é igual ao rotulo verdadeiro, enquanto qualquer coisa fora da diagonal teve um rótulo atribuído erroneamente pelo classificador. Quanto menores forem os valores diagonais da matriz de confusão, melhor o modelo adotado.
Acerca das características específicas dessas métricas, julgue o próximo item.
A matriz de confusão a seguir apresenta três rótulos de classe; os elementos diagonais representam o número de pontos para os quais o rótulo previsto é igual ao rotulo verdadeiro, enquanto qualquer coisa fora da diagonal teve um rótulo atribuído erroneamente pelo classificador. Quanto menores forem os valores diagonais da matriz de confusão, melhor o modelo adotado.
