In:
Centro de Pesquisas Avançadas em Qualidade de Vida, Revista CPAQV, Vol. 14, No. v14n2 ( 2022), p. 1-
Abstract:
Os algoritmos inteligentes que utilizam classificadores são avaliados usualmente com a determinação de algumas métricas obtidas a partir de matriz de confusão, as mais utilizadas são. A associação de duas ou mais delas, dentre outras, é importante, pois, especialmente em classificadores multiclasses com matriz de confusão do tipo nxn para n≥ 3, o número de falsos positivos (FP) e falsos negativos (FN) podem ser elevados, cujos resultados, por exemplo, de valores, a priori, considerados satisfatórios para especificidade e sensibilidade, podem induzir a interpretações equivocadas sobre essa questão. O objetivo do presente artigo foi mostrar diferentes matrizes multiclasses, destacando o impacto do número de verdadeiros positivos (VP), verdadeiros negativos (VN), além dos FP e VN. Para isso foram simulados oito diferentes cenários de matrizes de confusão de ordem 4x4 (caminhada, corrida, salto, agachamento) e 5x5 (caminhada, corrida, salto, agachamento, lançamento). Os dados foram organizados no Excel® onde foram calculadas as métricas de interesse: Acurácia, Precisão, Sensibilidade, Especificidade, Índice de Fowlkes – Mallows (FMI) e Acurácia equilibrada. Os resultados das diferentes simulações evidenciaram a variabilidade entre as métricas à medida que foram alterados os valores de VPs, VNs, FPs e FNs. Outo ponto a se destacar é a possibilidade de termos métricas excelentes e um classificador ruim.
Type of Medium:
Online Resource
ISSN:
2178-7514
Language:
Unknown
Publisher:
Revista CPAQV
Publication Date:
2022
