https://github.com/brenonsc/confusion-matrix

Repositório criado com o objetivo de armazenar conhecimentos relacionados a métricas de avaliação de Machine Learning baseados em matriz de confusão.
https://github.com/brenonsc/confusion-matrix

Last synced: 8 months ago
JSON representation

Repositório criado com o objetivo de armazenar conhecimentos relacionados a métricas de avaliação de Machine Learning baseados em matriz de confusão.

• Host: GitHub
• URL: https://github.com/brenonsc/confusion-matrix
• Owner: brenonsc
• Created: 2024-12-07T18:36:47.000Z (over 1 year ago)
• Default Branch: main
• Last Pushed: 2024-12-12T18:19:53.000Z (over 1 year ago)
• Last Synced: 2025-03-06T02:36:16.660Z (over 1 year ago)
• Language: Jupyter Notebook
• Size: 48.8 KB
• Stars: 0
• Watchers: 1
• Forks: 0
• Open Issues: 0
• Metadata Files:
  • Readme: README.md

Awesome Lists containing this project

README

          
# Confusion-Matrix

Este repositório contém um exemplo de aplicação prática de visualização e análise de métricas de classificação usando uma matriz de confusão, projetado para ser executado no Google Colab. O código utiliza o dataset MNIST para treinar uma rede neural convolucional simples e avalia o desempenho do modelo com base em diversas métricas extraídas da matriz de confusão.  




## Funcionalidades

- **Treinamento de modelo CNN:** Rede neural convolucional para classificação de dígitos do MNIST.  

- **Geração de matriz de confusão:** Avalia as previsões do modelo em relação aos rótulos verdadeiros.  

- **Visualização da matriz de confusão:** Exibe uma matriz de confusão normalizada usando um heatmap do Seaborn.  

- **Cálculo de métricas de desempenho:** Inclui sensibilidade, especificidade, precisão, acurácia e F-score.  

- **Gráficos de métricas:** Visualização das métricas em forma de gráfico de barras.  




## Fluxo de Execução

1. **Carregar e pré-processar dados:**  

   O dataset MNIST é carregado, as imagens são redimensionadas e normalizadas para [0, 1].  

2. **Construir e treinar o modelo:**  

   Um modelo de rede neural convolucional (CNN) é definido, compilado e treinado em 5 épocas com o dataset MNIST.  

3. **Avaliar o modelo:**  

   Após o treinamento, as previsões do modelo são comparadas aos rótulos verdadeiros, e uma matriz de confusão é gerada.  

4. **Visualizar a matriz de confusão:**  

   A matriz de confusão normalizada é exibida como um heatmap, representando a relação entre rótulos verdadeiros e previstos.  

5. **Calcular métricas de desempenho:**  

   Métricas como sensibilidade, especificidade, precisão, acurácia e F-score são calculadas a partir da matriz de confusão.  

6. **Exibir métricas em gráfico de barras:**  

   Um gráfico de barras exibe os valores médios de cada métrica calculada.  




## Exemplo de Resultados

### Matriz de Confusão Normalizada  

O heatmap exibirá a matriz de confusão normalizada, indicando a precisão do modelo para cada classe:  

- Eixo Y: Rótulos verdadeiros  

- Eixo X: Rótulos previstos  

### Gráfico de Métricas  

Um gráfico de barras apresentará as métricas médias de desempenho:  

- **Sensitivity (Recall):** Proporção de verdadeiros positivos corretamente identificados.  

- **Specificity:** Proporção de verdadeiros negativos corretamente identificados.  

- **Precision:** Proporção de previsões positivas que são corretas.  

- **Accuracy:** Proporção geral de previsões corretas.  

- **F-Score:** Média harmônica de precisão e sensibilidade.