MédiaMúltipla escolha

Questão de prática de AI-900

O que é 'confusion matrix' e o que ela diz sobre um modelo de classificação?

Escolha a melhor resposta.

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.

Por que cada alternativa está certa ou errada

A

Incorreta

Uma medida de quão confusos os usuários estão ao interagir com as previsões de um sistema de IA

O nome 'confusion matrix' refere-se ao modelo estar 'confuso' sobre quais classes atribuir, e não à confusão psicológica do usuário final. A confusão do usuário é um constructo de pesquisa de UX, frequentemente medido por tempo de conclusão de tarefa, taxas de erro ou pesquisas de satisfação. Uma confusion matrix não tem componente de usuário; é um artefato de avaliação puramente quantitativo usado por cientistas de dados para diagnosticar erros de algoritmos de classificação.

B

Correta

Uma tabela mostrando contagens de previsões corretas e incorretas detalhadas por classe prevista versus classe real

Uma confusion matrix é uma tabulação cruzada de rótulos de classes previstas em relação a rótulos de classes reais, com cada célula contando quantas instâncias se enquadram nessa combinação. Na classificação binária, isso produz verdadeiros positivos, verdadeiros negativos, falsos positivos e falsos negativos, a partir dos quais você pode derivar precisão, revocação, pontuação F1 e acurácia. É a resposta técnica correta porque revela diretamente não apenas a correção geral, mas os tipos específicos de erros que o modelo comete.

C

Incorreta

Uma exibição gráfica de quão confiante o modelo está em todo o seu conjunto de dados de teste

Uma confusion matrix não é uma exibição gráfica da confiança do modelo. A confiança é tipicamente visualizada com diagramas de confiabilidade (curvas de calibração) ou histogramas de probabilidades previstas, que mostram como as probabilidades de saída do modelo se alinham com os resultados reais. Em vez disso, uma confusion matrix mostra contagens discretas de rótulos de classes previstas versus reais, independentemente dos escores de probabilidade.

D

Incorreta

Um diagrama comparando a acurácia de múltiplos modelos no mesmo conjunto de teste

Isso descreve uma técnica de comparação de modelos, como um gráfico de barras de pontuações de acurácia ou curvas ROC sobrepostas no mesmo gráfico. Uma confusion matrix avalia as previsões de um único modelo, quantificando exatamente onde esse modelo comete erros (por exemplo, falsos positivos versus falsos negativos). Ela não compara concorrentes diretamente; qualquer comparação de modelos exigiria confusion matrices separadas ou métricas agregadas.

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.