Previsões positivos e negativos verdadeiros e falsos

É importante entender essas definições, pois elas formam uma parte fundamental da explicação de outros conceitos fundamentais do machine learning (ML), como precisão e recall.

As seguintes definições são descritas no contexto de sua aplicação dentro da plataforma:

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

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

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

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

Falso 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 Precisão e recall explicados.