[Dúvida] Como identificar falsos positivos e negativos na matriz de confusão para classificação multiclasse

Olá Matheus,

Entendo que a interpretação da matriz de confusão pode parecer um pouco complicada quando ultrapassamos o formato 2x2.

Vamos tentar entender, com a ajuda da matriz de confusão abaixo obtida do artigo Bias and Unfairness in Machine Learning Models: A Systematic Review on Datasets, Tools, Fairness Metrics, and Identification and Mitigation Methods. Neste exemplo, consideramos 3 classes:

Ao trabalharmos com uma matriz 2x2, a diagonal principal, em verde, representa os verdadeiros positivos. No entanto, quando expandimos para uma matriz 3x3, a compreensão é um pouco diferente. Para calcular os valores da Classe 1, por exemplo, note que:

• TP (True positive) é o valor da previsão correta.
• Os TN (True negative) são a soma das classes que não envolvem a Classe 1.
• Os FP (False positive) são a soma das classes erroneamente previstas como Classe 1,
• Os FN (False negative) são a soma das classes previstas como outras classes que deveriam ter sido previstas como Classe 1.

Esse processo é repetido para todas as classes, e os valores totais de TP, FP, TN e FN são calculados em média para obter métricas como recall e sensibilidade.

Espero que isso ajude a desatar esse nó na sua cabeça!

Se tiver mais dúvidas, estou aqui para ajudar.

Oi Valquíria, agradeço pelo seu retorno e pelo seu curso.

Confesso que em um primeiro momento, ao olhar para a imagem, o nó apertou ainda mais, haha. Ficou diferente do que eu imaginava que seria. No entanto, ao ler seu texto e dar uma olhada na explicação que tem no artigo, a imagem começou a fazer sentido e agora entendi.

Então, no caso de problemas multiclasse, TP, TN, FP e FN vão ser baseadas na classe que eu indicar como positiva, seguindo os passos que você indicou no texto. Ou seja, ao olhar para a Classe 2 da imagem, TP, TN, FP e FN seriam diferentes, e o mesmo aconteceria para a Classe 3. E aí, caso eu quisesse o valor geral para a matriz de confusão, eu faria a média do que eu obtive em cada métrica para cada classe.

Obrigado pelos esclarecimentos!