Uma alternativa para medir a performance de um modelo de classificação é utilizar a matriz de confusão para verificar quantas instâncias da classe “0” foram classificadas como a classe “1” e vice-versa. Para gerar uma matriz de confusão apresenta a comparação entre os valores reais e os valores previstos por um modelo supervisionado. Análise as afirmativas abaixo: I, II e III.

Alternativa A - I, e III apenas

Análise da Matriz de Confusão

A matriz de confusão é uma ferramenta fundamental para avaliar o desempenho de modelos de classificação em aprendizado supervisionado. Ela permite visualizar o acerto e o erro do modelo comparando os dados reais com as previsões geradas.

Vamos analisar cada afirmativa apresentada na questão:

1. Verificação das Afirmativas

• Afirmativa I (Correta): A matriz de confusão serve exatamente para comparar os valores reais (ground truth) com os valores previstos (predições). Em modelos supervisionados, temos exemplos rotulados que servem como base para essa comparação.
• Afirmativa II (Incorreta): Afirma que "reais positivos, previstos como tal" são Falsos Positivos. Isso está errado. Quando o modelo acerta ao classificar um positivo como positivo, chamamos isso de Verdadeiro Positivo (TP).
• Um Falso Positivo (FP) ocorre quando o valor real é negativo, mas o modelo prevê positivo.
• Afirmativa III (Correta): Descreve corretamente o conceito de Falso Negativo (FN). Ocorre quando o valor real é positivo, mas o modelo falha e o classifica como negativo (um erro de "não detecção").

2. Resumo dos Conceitos

Para fixar o conteúdo, veja a lógica básica de uma matriz de confusão binária:

Conclusão

Somente as afirmativas I e III estão corretas. A afirmativa II inverte a definição de Verdadeiro Positivo com Falso Positivo.