Parâmetros da Matriz de Confusão

 

Parâmetros obtidos da Matriz de Confusão

Suport Vector Machine – SVM (Weka SMO)

=== Confusion Matrix ===

  a  b   <-- classified as

 48  2 |  a = Hanta         2  Falso Negativo

  3 47 |  b = Limpo        3  Falso Positivo

O algoritmo SVM – 1)Taxa de Acerto (Accuticy)= (48+47)/(48+2+3+47) * 100 = 95% = ( TP+TN ) / (TP+FN+FP+TN) * 100

 

Padrão do Weka (nas linhas o legitimo, nas colunas a predição)

 

Primeira Linha TP:48  FN:2  Informação legitima DNA - Hantavirus

Segunda Linha FP:3    TN:47 Informação legitima DNA - Limpo

2) Precisão:

TP / (TP+FP) * 100 = 48 / (48+3) * 100 = 94 %

Dentre os classificados como positivos (48+3), quanto por cem foi classificado corretamente (94,1%). Tem a ver com a sombra amarela.

3) Sensibilidade:

Dentre os ratos que transmitem Hantavirus (Primeira Linha) quantos são corretamente classificados). Tem a ver com a sombra lilás.

Quanto acertamos com o algoritmo SVM dos ratos que transmitem Hantavirus – Subconjunto dos Ratos Problemáticos (podiam se fraudes em cartão de credito, residências com pernilongo da Dengue, pessoas com Covid)

TP / (TP + FN ) = 48 / ( 48 + 2) * 100 = 96 %

Primeira Linha TP:48  FN:2  Informação legitima DNA - Hantavirus

Segunda Linha FP:3    TN:47 Informação legitima DNA - Limpo

4) Especificidade:

TN / ( TN + FP ) * 100 = 47 / ( 47 + 3 ) * 100 = 94 %

Quanto acertamos com o algoritmo SVM na segunda linha ou nos ratos que não transmitem Hantavírus (Limpos).

 

 

 

Comentários

Postar um comentário

Postagens mais visitadas deste blog

Machine Learning para Predição - Regressão - Biodiversidade Animal

Imagem
  Machine Learning para Predição - Regressão - Biodiversidade Animal Inovação Disruptiva - Sair da Caixa - Benchmarking Funcional Videoaula:   https://youtu.be/Thsnpu1cxr8 Dados para Rodar no Weka Arquivo Autor: Gabriel Sarriés Variáveis Preditoras (Total = 5) DBO – Demanda Bioquímica de Oxigênio ICobV – Índice de Cobertura Vegetal ICArb – Índice de Cobertura Arbórea IBCont – Bioindicador de Contaminação (agrotóxicos) Dis_Pl – Distancia do plantio de grãos. Exemplo de Biomonitor Área de Cultivo de Grãos  Soja - Milho - Algodão - Trigo - Aveia Banco de Dados para Desenvolver Algoritmo de MLS para Previsão DBO ICobV ICArb Bcont Dis_Pl IBD_A 1,604 89 60 11 9 90 0,385 90 61 10 8,9 91 0,216 91 62 9 9,1 92 0,303 90 59 10 8,8 89 1,961 20 12 81 0,2 20 0,782 21 14 79 0,3 22 0,57 22 15 78 0,25 23 2,187 22 12 77 0,2 24 0,764 59 35 41 6 60 0,273 60 32 40 6,5 61 1,883 64 33 38 5,8 63 0,581 62 32 37 5,6 62 0,18 79 50 21 8,2 80 0,007 80 49 20 7,8 79 2,028 80 48 18 8,2 81 2,431 79 47 21 ...
Leia mais

4 Categorias dinheiro falso e 2 variáveis preditoras

    Mais duas variáveis preditoras e 4 categorias para o problema do dinheiro falso: Transparência e Procedência   obs. Status length Left Rigth Bottom Top Diagonal Transpar Proced 1 Verdad 214,8 131 131,1 9 9,7 141 8,345353 8 2 Verdad 214,6 129,7 129,7 8,1 9,5 141,7 9,005343 9 3 Verdad 214,8 129,7 129,7 8,7 9,6 142,2 4,293085 6 4 Verdad 214,8 129,7 129,6 7,5 10,4 142 5,281225 1 5 Verdad 215 129,6 129,7 10,4 7,7 141,8 1,513307 9 6 Verdad 215,7 130,8 130,5 9 10,1 141,4 5,739582 2 7 Verdad 215,5 129,5 129,7 7,9 9,6 141,6 3,58029 1 8 Verdad 214,5 129,6 129,2 7,2 10,7 141,7 8,620212 7 9 Verdad 214,9 129,4 129,7 8,2 11 141,9 6,128928 7 10 Verdad 215,2 130,4 130,3 9,2 10 140,7 1,225479 4 11 Verdad 215,3 130,4 130,3 7,9 11,7 141,8 0,442973 8 12 Verdad 215,1 129,5 129,6 7,7 10,5 142,2 9,165131 3 13 Verdad 215,2 130,8 129,6 7,9 10,8 141,4 3,034573 8 14 Verdad 214,7 129,7 129,7 7,7 10,9 141,7 4,929624 9 15 Verdad 215,1 129,9 129,7 7,7 10,8 141,8 3,996129 8 16 Verdad 214,5 129,8 129...
Leia mais