Matriz de Confusão em Problemas de Classificação Binária: Um Tutorial Passo a Passo

No campo do aprendizado de máquina, a matriz de confusão é uma tabela específica adotada para descrever e avaliar o desempenho de um modelo de classificação (por exemplo, uma rede neural artificial) para um conjunto de dados de teste cujas características distintivas reais são conhecidas. O algoritmo de aprendizado é, portanto, da categoria de aprendizado supervisionado. Para um problema de classificação de n classes, a matriz de confusão é quadrada com n linhas e n colunas. As linhas representam as amostras reais da classe (instâncias) que são as entradas para o classificador, enquanto as colunas representam as amostras previstas da classe, as saídas do classificador. (O inverso também é válido, ou seja, as duas dimensões 'real' e 'prevista' podem ser atribuídas a colunas e linhas, respectivamente). Classificadores binários e de múltiplas classes podem ser tratados. Vale a pena notar que o termo 'matriz' aqui não tem nada a ver com os teoremas da álgebra matricial; é considerado apenas uma tabela que transmite informações. A palavra descritiva ‘confusão’ decorre do fato de que a matriz clarifica até que ponto o modelo confunde as classes — rotula uma como outra. O conceito essencial foi introduzido em 1904 pelo estatístico britânico Karl Pearson (1857 — 1936).