Resposta correta
- BUma tabela mostrando contagens de previsões corretas e incorretas detalhadas por classe prevista versus classe real
Explicação
Uma confusion matrix é um layout de tabela específico que permite visualizar o desempenho de um modelo de classificação. Ela mostra as contagens de previsões de verdadeiro positivo, verdadeiro negativo, falso positivo e falso negativo, detalhadas por cada classe real versus cada classe prevista. Isso informa diretamente não apenas a acurácia geral, mas também os tipos de erros que o modelo está cometendo, o que é crítico para avaliar classificadores no Azure Machine Learning.
Para se aprofundar
A confusion matrix é uma ferramenta fundamental na avaliação de classificação supervisionada porque decompõe o comportamento preditivo de um modelo em quatro categorias: verdadeiros positivos, verdadeiros negativos, falsos positivos e falsos negativos. Embora a acurácia simplesmente some as previsões corretas divididas pelo total de previsões, a confusion matrix permite métricas mais ricas como precisão (valor preditivo positivo) e revocação (sensibilidade), que se tornam críticas quando as classes estão desbalanceadas. Por exemplo, em um teste de triagem médica com uma doença rara, um modelo poderia ter 99% de acurácia prevendo sempre 'sem doença', mas a confusion matrix revelaria zero verdadeiros positivos e uma revocação de 0%, expondo o modelo como inútil. Na classificação multiclasse, a matriz expande-se para uma grade N x N, onde cada linha é a classe real e cada coluna a classe prevista, permitindo que células diagonais representem previsões corretas e células fora da diagonal mostrem erros de classificação específicos. Um equívoco comum é que uma confusion matrix mede a incerteza ou confiança do modelo; ela não o faz — apenas conta resultados categóricos. Os serviços do Azure AI, como o aprendizado de máquina automatizado no Azure Machine Learning, geram confusion matrices como parte da interpretabilidade do modelo, ajudando os profissionais a identificar rapidamente vieses sistemáticos, como um modelo que frequentemente classifica incorretamente um grupo étnico ou faixa etária, o que é essencial para práticas de IA responsável e auditoria de equidade.
Sobre estas questões de prática
Esta é uma das questões de prática originais de AI-900 da Courseiva, escrita para o aprendizado e nunca copiada de provas reais nem de dumps.
Traduzida do original em inglês com IA e conferida quanto ao sentido. Códigos de exame, comandos e nomes de produtos são mantidos como aparecem na prova.