Na avaliação de um modelo criado por aprendizado de máquina...

Para calcular a acurácia do modelo, siga estes passos:

1. Entenda a matriz de confusão:

A matriz de confusão é uma tabela que resume o desempenho do modelo de classificação.

As linhas representam a classe real, enquanto as colunas representam a classe prevista pelo modelo.

Os valores na diagonal principal representam as previsões corretas, enquanto os valores fora da diagonal representam as previsões incorretas.

2. Calcule os valores relevantes:

Verdadeiros Positivos (VP): 440

Falsos Positivos (FP): 60

Verdadeiros Negativos (VN): 480

Falsos Negativos (FN): 20

3. Aplique a fórmula da acurácia:

Acurácia = (VP + VN) / (Total de Amostras)

4. Insira os valores na fórmula:

Acurácia = (440 + 480) / (440 + 60 + 480 + 20)

Acurácia = 920 / 1000

Acurácia = 0.92

5. Interprete o resultado:

A acurácia do modelo é de 92%.

Isso significa que o modelo classificou corretamente 92% dos textos.

Resposta:

A alternativa correta é a E) 92%.

Observações:

A acurácia é uma métrica útil para avaliar o desempenho geral do modelo, mas pode ser enganosa em alguns casos.

É importante considerar outras métricas, como precisão e revocação, para ter uma visão completa do desempenho do modelo.

A matriz de confusão fornece informações valiosas sobre os erros do modelo e pode ser utilizada para melhorar o desempenho do modelo.

Matriz de Confusão:

• "A matriz de confusão é uma tabela que resume o desempenho do modelo de classificação." - Aprendizado de Máquina: , Tom Mitchell, p. 240.
• "As linhas representam a classe real, enquanto as colunas representam a classe prevista pelo modelo." - Fundamentos de Aprendizado de Máquina: , Aurélien Géron, p. 378.
• "Os valores na diagonal principal representam as previsões corretas, enquanto os valores fora da diagonal representam as previsões incorretas." - Aprendizado de Máquina para Processamento de Linguagem Natural: , Yoav Goldberg, p. 214.

Acurácia:

• "A acurácia é uma medida da fração de previsões corretas feitas por um modelo." - Aprendizado de Máquina: Uma Abordagem Prática: , Trevor Hastie, Robert Tibshirani and Jerome Friedman, p. 286.
• "A acurácia pode ser enganosa em alguns casos, especialmente quando as classes são desbalanceadas." - Deep Learning: , Ian Goodfellow, Yoshua Bengio and Aaron Courville, p. 354.
• "É importante considerar outras métricas, como precisão e revocação, para ter uma visão completa do desempenho do modelo." - Probabilidade e Estatística para Ciência da Computação: , Michael Mitzenmacher and Eli Upfal, p. 434.

• Acurácia (Acurary): Quantidade classificada como Positivos e Negativos corretamente, e pode ser formalizada em (TP + TN) / (TP + TN + FP + TN)

Nome das Colunas de valores:

TP | FN

FP | TN

acurácia: 440 + 480 / 1000 = 0,92 % = 92%

https://diegonogare.net/2020/04/performance-de-machine-learning-matriz-de-confusao/