Olá, Luiz! Tudo bem com você?
Você está correto em suas afirmações. De fato a precisão é calculada como:
precisão = TP / (TP + FP)
E a revogação, também chamada de recall, é calculada da seguinte forma:
recall = TP / (TP + FN)
Onde:
- Verdadeiro Negativo (TN - True negative): O modelo previu como negativo e isto é verdade.
- Falso positivo (FP - False positive): O modelo previu como positico e isto é falso.
- Falso negativo (FN - False negative): O modelo previu como negativo e isto é falso.
- Verdadeiro positivo (TP - True Positive): O modelo previu como positivo e isto é verdade.
Se fossémos analisar de acordo com a matriz de confusão gerada pela sklearn teríamos exatamente o que você marcou como vermelho (revogação) e azul (precisão). Então você está correto.
Analisando a matriz de confusão abaixo teríamos que:
A precisão:
precisão = TP / (TP + FP)
precisão = 41 / (41 + 4) = 0.911
Calculando o recall (revogação) teríamos:
recall = TP / (TP + FN)
recall = 41 / (41 + 8) = 0.837
Plotando somente o array, como está na imagem mostrada por você e durante o curso, fica mais difícil de analisar, gosto sempre de plotar a matriz completa de forma gráfica. Felizmente o sklearn fornece um método que plota essa matriz de forma bem fácil: ConfusionMatrixDisplay.
Outro detalhe é que seus resultados plotando a matriz de confusão podem divergir dos resultados apresentados no curso devido a falta do parâmetro random_state em alguns métodos.
Espero ter ajudado, mas se ainda persistir alguma dúvida estou sempre à disposição.
:)
Caso este post tenha lhe ajudado, por favor, marcar como solucionado ✓.Bons Estudos!
