Gerador de matrizes de confusão

O que o Gerador de Matriz de Confusão demonstra?

A Matriz de Confusão compara as classes reais (ground truth) com as predições do modelo, permitindo visualizar erros de classificação de forma detalhada em vez de resumi-los a uma única métrica de acurácia. A diagonal principal exibe as predições corretas, enquanto as células fora da diagonal revelam quais classes o modelo confunde.

Requisitos de dados para a Matriz de Confusão

• Upload de rótulos reais e preditos ao nível da observação (linhas), ou uma tabela quadrada de contingência com as contagens consolidadas.
• Nomes de classes e ordenação idênticos para linhas e colunas.
• Inclusão de pesos amostrais (sample weights) apenas se exigido pelo protocolo de avaliação do modelo.
• Especificação clara se as células exibem contagens absolutas, porcentagens por linha, porcentagens por coluna ou proporções do total.

Exemplos de aplicação em pesquisa científica

• Exemplo de matriz de confusão binária
• Matriz de confusão multiclasse
• Matriz de confusão normalizada
• Mapa de calor da matriz de confusão
• Matriz de confusão de aprendizado de máquina
• Matriz com precisão e recall

Por que utilizar uma matriz de confusão para avaliação de modelos?

• Identificar com precisão quais classes estão gerando falsos positivos e falsos negativos.
• Detectar casos em que uma acurácia geral elevada mascara um desempenho pífio em classes minoritárias.
• Comparar contagens brutas com taxas normalizadas por classe.
• Gerar figuras reprodutíveis de avaliação de modelos a partir de predições exportadas.

Como usar Gerador de matrizes de confusão

Escolha um exemplo ou envie um arquivo CSV, TSV, TXT, XLSX ou XLS. Confira as colunas detectadas, gere o gráfico e edite no SciVis. No Excel, a primeira planilha é importada.

Elementos indispensáveis em uma matriz de confusão rigorosa

• Eixos explicitamente rotulados como 'Real' (Actual) e 'Predito' (Predicted).
• Nomes das classes dispostos em ordem consistente em ambos os eixos.
• Valores numéricos legíveis em cada célula acompanhados de uma escala de cores sequencial.
• Legenda ou nota de rodapé indicando o conjunto de teste utilizado, método de normalização e tamanho da amostra (N).

Matriz de confusão ou curva ROC?

Utilize a matriz de confusão para inspecionar os resultados de classificação em um ponto de corte (threshold) de decisão específico. Utilize curvas ROC ou de Precisão-Revocação (Precision-Recall) para avaliar o desempenho do modelo sob múltiplos limiares. Em conjuntos de dados desbalanceados, a curva de Precisão-Revocação costuma ser mais informativa que a curva ROC isolada.