Matriz de classificação (Analysis Services - Mineração de dados)

Uma matriz de classificação é criada classificando-se todos os casos do modelo em categorias, determinando se o valor previsto correspondeu ao valor real. Todos os casos em cada categoria são contabilizados e os totais são exibidos na matriz. A matriz de classificação é uma ferramenta padrão para avaliação de modelos estatísticos e é muitas vezes chamada de matriz de confusão.

O gráfico que é criado quando você escolhe a opção Matriz de Classificação compara valores reais com previstos para cada estado previsto que você especifica. As linhas na matriz representam os valores previstos para o modelo, sendo que as colunas representam os valores atuais. As categorias usadas na análise são falsos positivos, verdadeiros positivos, falsos negativos e verdadeiros negativos

Uma matriz de classificação é uma ferramenta importante para avaliar os resultados de previsão porque facilita o entendimento e reage aos efeitos de previsões erradas. Ao exibir a quantidade e os percentuais em cada célula desta matriz, você pode consultar rapidamente com que frequência o modelo é previsto com precisão.

Esta seção explica como criar uma matriz de classificação e como interpretar os resultados.

Entendendo a matriz de classificação

Considere o modelo que você criou como parte do Tutorial de mineração de dados básico. O modelo [TM_DecisionTree], usado para ajudar a criar uma campanha de mala direta, e pode ser usado para prever os clientes com maior probabilidade de comprar uma bicicleta. Para testar a utilidade esperada deste modelo, use um conjunto de dados para qual os valores do atributo de resultado, [Bike Buyer], já é conhecido. Normalmente, você usaria o conjunto de dados de teste que foi reservado durante a criação da estrutura de mineração usada para treinar o modelo.

Há somente dois resultados possíveis: sim (é provável que o cliente compre uma bicicleta), e não (o cliente provavelmente não comprará uma bicicleta). Portanto, a matriz de classificação resultante é relativamente simples.

Interpretando os resultados

A tabela a seguir mostra a matriz de classificação para o modelo TM_DecisionTree. Lembre-se de que, para este atributo previsível, 0 significa Não e 1 significa Sim.

Previsto

0 (Real)

1 (Real)

0

362

144

1

121

373

A primeira célula de resultado, que contém o valor 362, indica o número de verdadeiros positivos para obter o valor 0. Como 0 indica que o cliente não comprou a bicicleta, essa estatística indica que o modelo previu o valor correto para pessoas que não compram bicicletas em 362 casos.

A célula logo abaixo dessa, que contém o valor 121, indica o número de falsos positivos ou quantas vezes o modelo previu que alguém compraria uma bicicleta, mas a compra não se concretizou.

A célula que contém o valor 144 indica o número de falsos positivos para o valor 1. Como 1 significa que o cliente não comprou a bicicleta, essa estatística indica que em 144 casos, o modelo previu que alguém não compraria a bicicleta, mas na verdade a compra se concretizou.

Finalmente, a célula que contém o valor 373 indica o número de verdadeiros positivos para o valor de destino 1. Em outras palavras, em 373 casos, o modelo previu corretamente que alguém compraria uma bicicleta.

Somando os valores das células que são diagonalmente adjacentes, você pode determinar a exatidão geral do modelo. Uma diagonal mostra o número de previsões corretas, e a outra diagonal mostra o número de previsões incorretas.

Usando vários valores previsíveis

O caso [Bike Buyer] é especialmente fácil de ser interpretado porque há apenas dois valores possíveis. Quando o atributo previsível tem vários valores possíveis, a matriz de classificação adiciona uma nova coluna a cada valor real possível e depois calcula o número de correspondências para cada valor previsto. A tabela a seguir mostra os resultados em um modelo diferente, onde três valores (0, 1 e 2) são possíveis.

Previsto

0 (Real)

1 (Real)

2 (Real)

0

111

3

5

1

2

123

17

2

19

0

20

Apesar de a adição de mais colunas tornar o relatório aparentemente mais complexo, detalhes adicionais podem ser úteis quando queremos avaliar o custo cumulativo de uma previsão incorreta. Para criar somas nas diagonais ou comparar resultados para diferentes combinações de linhas, você pode clicar no botão Copiar, presente na guia Matriz de Classificação, e colar o relatório no Excel. Como alternativa, você pode usar um cliente, como o Cliente de Mineração de Dados para Excel, que oferece suporte ao SQL Server 2005 e versões posteriores, para criar um relatório de classificação diretamente no Excel que inclua contagens e porcentagens. Para obter mais informações, consulte Mineração de Dados do SQL Server.

Restrições na matriz de classificação

Uma matriz de classificação só pode ser usada com atributos previsíveis discretos.

Embora você possa adicionar vários modelos ao selecionar modelos na guia Seleção de Entrada do designer Gráfico de Precisão de Mineração, a guia Matriz de Classificação exibirá uma matriz separada para cada modelo.

Conteúdo relacionado

Os tópicos a seguir contêm mais informações sobre como você pode criar e usar matrizes de classificação e outros gráficos.

Tópicos

Links

Fornece um passo a passo sobre como criar um gráfico de comparação de precisão para o modelo Mala Direta Dirigida.

Tutorial de mineração de dados básico

Testando a precisão com gráficos de comparação de precisão (Tutorial de mineração de dados básico)

Explica os tipos de gráficos relacionados.

Gráfico de comparação de precisão (Analysis Services - Mineração de Dados)

Gráfico de ganho (Analysis Services - Mineração de dados)

Dispersão (Analysis Services - Mineração de dados)

Descreve usos de validação cruzada para modelos de mineração e estruturas de mineração.

Validação cruzada (Analysis Services - Mineração de dados)

Descreve as etapas para criar gráficos de comparação de precisão e outros gráficos de exatidão.

Tarefas de teste e validação e guias práticos (mineração de dados)

Consulte também

Conceitos

Teste e validação (mineração de dados)