Matriz de confusão

Uma calculadora de matriz de confusão converte duas sequências alinhadas —os rótulos verdadeiros que você já conhece e os rótulos previstos que um modelo, um teste ou uma regra produziu— nas quatro contagens binárias com as quais começa todo relatório de classificação: verdadeiros positivos, verdadeiros negativos, falsos positivos e falsos negativos. Você envia os arrays emparelhados e, quando o problema não é um par óbvio de duas classes como um versus zero, nomeia a classe positiva. O motor percorre cada índice uma vez e incrementa a célula correspondente. Não há rede, nem aleatoriedade, nem relógio.

O que uma matriz de confusão conta e por que as quatro células importam

Uma matriz de confusão binária é a tabela de quatro células que registra como as previsões de um classificador se alinham aos rótulos de verdade de campo. Cada observação emparelhada cai em exatamente uma célula. Um verdadeiro positivo é um caso cujo rótulo verdadeiro é a classe positiva e cujo rótulo previsto também é a classe positiva: o modelo acertou ao disparar o alarme.

Um verdadeiro negativo é um caso cujo rótulo verdadeiro não é a classe positiva e cuja previsão também não é: o modelo acertou ao permanecer em silêncio. Um falso positivo é um erro do tipo I, um alarme falso: o rótulo verdadeiro é negativo, mas o modelo previu positivo. Um falso negativo é um erro do tipo II, uma omissão: o rótulo verdadeiro é positivo, mas o modelo previu negativo.

Esses quatro inteiros —verdadeiros positivos, verdadeiros negativos, falsos positivos e falsos negativos— são a matéria-prima da acurácia, da precisão, da revocação, da especificidade, do F1 e da correlação de Matthews, mas esta capacidade para nos contagens para que você componha essas pontuações derivadas como o relatório exigir. A varredura é um-contra-o-resto quando você nomeia uma classe positiva entre mais de dois rótulos: qualquer outro é tratado como negativo.

A implementação é um único passo determinístico, sem amostragem, sem rede e sem dependência da data atual, o que torna as quatro contagens seguras para fixar em goldens e gabaritos. Use-a quando você já tiver rótulos verdadeiros e previstos alinhados e precisar das quatro células, não de uma tabela multiclasse completa de cada par de classes.

Contrato de entrada, checagem de comprimento e como a classe positiva é escolhida

Números e booleanos são convertidos em strings para que o número um e o token 1 contem como o mesmo rótulo. O campo opcional positive nomeia a classe tratada como célula positiva da tabela dois por dois.

Quando você o omite, pares complementares conhecidos como 1 e 0, true e false, yes e no, positive e negative, pos e neg, p e n, ou spam e ham são inferidos; se só o token negativo de um par conhecido aparece, o nome positivo complementar é usado para que uma lista só de zeros vire todos verdadeiros negativos, e não uma tabela enganosa de todos verdadeiros positivos.

Em qualquer outro problema de duas classes o último rótulo distinto em ordem lexicográfica é tomado como positivo, no convênio habitual de rótulos ordenados. Mais de dois rótulos distintos sem um positive explícito é um erro, porque uma matriz de quatro células escolheria uma classe em silêncio. Em caso de sucesso o corpo devolve n, o rótulo positivo resolvido, um rótulo negative opcional quando existe exatamente um complemento, as quatro contagens e uma string formula curta.

Nada é armazenado depois que a resposta retorna.

Quem usa as quatro contagens da matriz

Tutoriais médicos e de triagem usam as mesmas quatro contagens para explicar sensibilidade e especificidade: verdadeiros positivos são os pacientes doentes que o exame detectou, falsos negativos são as omissões, falsos positivos são as pessoas saudáveis enviadas para acompanhamento e verdadeiros negativos são os casos corretamente liberados. Filas de spam, fraude e moderação vigiam falsos positivos porque cada um gasta um turno de revisão humana, e vigiam falsos negativos porque cada um é uma mensagem que vazou. Validação falha não consome saldo.

Mantenha as duas listas alinhadas, nomeie a classe positiva quando ela não for óbvia, e você obtém TP, TN, FP e FN reproduzíveis para lição de casa, CI e relatórios de produção sem levantar uma pilha estatística própria.