Previsões positivos e negativos verdadeiros e falsos

É importante entender essas definições, pois elas formam uma parte chave da explicação de outros conceitos fundamentais de Machine Learning, como precisão e recall.

As definições abaixo são descritas no contexto de seu aplicativo dentro da plataforma.

Para começar com:

• Uma previsão "positiva" é aquela em que o modelo considera que um rótulo se aplica a uma mensagem
• Uma previsão "negativa" é aquela em que o modelo considera que um rótulo não se aplica a uma mensagem

Verdadeiro positivo

Um resultado verdadeiro positivo é aquele em que o modelo prevê corretamente que um rótulo se aplica a uma mensagem.

Verdadeiro negativos

Um resultado verdadeiro negativo é aquele em que o modelo prevê corretamente que um rótulo não se aplica a uma mensagem.

Falsos positivos

Um resultado falso positivo é aquele em que o modelo prevê incorretamente que um rótulo se aplica a uma mensagem, quando na verdade não se aplica.

Falsos negativos

Um resultado falso negativo é aquele em que o modelo prevê incorretamente que um rótulo não se aplica a uma mensagem, quando na verdade ele se aplica.

Para entender cada um desses conceitos com mais detalhes, consulte aqui.