Árvores de Decisão e Matriz de Confusão
Pedro Franklin
IME-UFU
8 de dezembro de 2025
Estrutura da árvore
| Termo | Significado |
|---|---|
| Nó | Cada ponto de decisão ou resultado da árvore |
| Nó raiz | O primeiro nó da árvore, onde começa a divisão |
| Nó interno | Nós intermediários que fazem divisões com base em variáveis |
Estrutura da árvore
| Termo | Significado |
|---|---|
| Nó folha | Nó terminal, que contém a classe ou valor final previsto |
| Galho | Caminho entre nós; representa uma condição lógica |
| Profundidade | Número de níveis da árvore |
Árvores no R
| Termo/função do R | Descrição |
|---|---|
rpart() |
Função para ajustar uma árvore |
rpart.plot() |
Para visualizar a árvore |
minsplit, maxdepth |
Parâmetros para controlar o crescimento da árvore |
predict() |
Função para prever com base no modelo ajustado |
Matriz de Confusão
A matriz de confusão mostra a comparação entre as classes reais e as preditas pelo modelo.
Ela é essencial para calcular métricas como acurácia, precisão, sensibilidade e especificidade.
Matriz de Confusão
Matriz de Confusão: Classes positiva (+) e negativa (-)
- VP (Verdadeiro Positivo): + corretamente identificado
- VN (Verdadeiro Negativo): – corretamente identificado
- FP (Falso Positivo): – identificado como +
- FN (Falso Negativo): + identificado como –
Medidas de Desempenho: Acurácia
Proporção de previsões corretas
Acurácia = (VP + VN) / Total
Medidas de Desempenho: Precisão
Proporção de previsões positivas corretas
Precisão = VP / (VP + FP)
Medidas de Desempenho: Sensibilidade (Recall)
Proporção de positivos reais corretamente identificados
Sensibilidade = VP / (VP + FN)
Medidas de Desempenho: Especificidade
Proporção de negativos reais corretamente identificados
Especificidade = VN / (VN + FP)