Calculadora de Matriz de Confusão
Calcule Acurácia, Precisão, Recall, F1, Especificidade, NPV, FPR, FNR e Coeficiente de Correlação de Matthews a partir das contagens TP/TN/FP/FN de um classificador binário, com a fórmula e uma classificação de qualidade mostrada para cada métrica.
Entrada
Casos previstos corretamente como positivos.
Positivos reais que o modelo perdeu (previstos como negativos).
Negativos reais que o modelo marcou como positivos.
Casos previstos corretamente como negativos.
Saída
Your results will appear here.
| Predicted Positive | Predicted Negative | |
|---|---|---|
| No data yet | ||
| Metric | Formula | Value | Rating |
|---|---|---|---|
| No data yet | |||
Mais formas de usar esta ferramenta
API REST
curl -X POST https://api.iotools.cloud/v1/tool/confusion-matrix-calculator \
-H "Authorization: Bearer YOUR_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"truePositive": "50",
"falseNegative": "10",
"falsePositive": "5",
"trueNegative": "100"
}'Troque pela sua própria chave, da sua conta. Os campos da ferramenta viram o corpo da requisição — sem envelope.
Peça a um agente de IA
Use the IOTools `confusion-matrix-calculator` tool (Confusion Matrix Calculator) on this input:
YOUR_INPUT_HERECole isto em qualquer agente conectado ao servidor MCP do IOTools e depois adicione sua entrada.
Widget para incorporar
<iframe
src="https://iotools.cloud/embed/confusion-matrix-calculator/"
width="100%" height="520" frameborder="0" scrolling="no" loading="lazy"
title="Calculadora de Matriz de Confusão — iotools.cloud"
sandbox="allow-scripts allow-forms allow-same-origin allow-downloads allow-popups allow-popups-to-escape-sandbox"
allow="clipboard-write"
style="width:100%;border:1px solid #e5e7eb;border-radius:12px;overflow:hidden"></iframe>
<script src="https://iotools.cloud/embed.js" async></script>Coloque isso na sua própria página — grátis, sem chave, só um link de volta.
| Custo por chamada de API/MCP | A partir de 5 créditos |
|---|---|
| Precisa de mais créditos? | Ver preços |
Também disponível via
Guias
O que esta calculadora faz?
Digite os quatro números da matriz de confusão de um classificador binário — Verdadeiro Positivo, Falso Negativo, Falso Positivo e Verdadeiro Negativo — e obtenha todas as métricas de avaliação padrão calculadas instantaneamente: Acurácia, Precisão, Recall, Especificidade, Pontuação F1, Coeficiente de Correlação de Matthews (MCC), Valor Preditivo Negativo, Taxa de Falso Positivo, Taxa de Falso Negativo e uma estimativa de Acurácia Balanceada. Cada métrica mostra sua fórmula e uma classificação de qualidade (Excelente / Bom / Justo / Fraco), então você não precisa memorizar qual fórmula é qual ou derivá-las à mão.
Como usar
- Digite Verdadeiro Positivo (TP) — casos previstos corretamente como positivos.
- Digite Falso Negativo (FN) — positivos reais que o modelo perdeu.
- Digite Falso Positivo (FP) — negativos reais que o modelo marcou como positivos.
- Digite Verdadeiro Negativo (TN) — casos previstos corretamente como negativos.
- Leia os resultados: um indicador de qualidade geral, a matriz apresentada como uma tabela, e cada métrica com sua fórmula e classificação.
Por que usar MCC em vez de apenas Acurácia?
Acurácia pode ser enganosa em conjuntos de dados desbalanceados — um classificador que sempre prevê "negativo" em um conjunto que é 99% negativo alcança 99% de acurácia enquanto captura zero positivos. Coeficiente de Correlação de Matthews usa todos os quatro números da matriz de confusão em uma medida balanceada, variando de -1 (discordância total) a +1 (predição perfeita), com 0 significando não melhor do que adivinhação aleatória — é por isso que é considerada o único número mais confiável para classes desbalanceadas.
Qual é a diferença entre Precisão e Recall?
Precisão responde "de tudo que previ como positivo, quanto realmente era positivo?" (TP / (TP+FP)) — penaliza alarmes falsos. Recall (Sensibilidade) responde "de tudo que era realmente positivo, quanto consegui capturar?" (TP / (TP+FN)) — penaliza perdas. Os dois trocam entre si, é por isso que Pontuação F1 (sua média harmônica) é frequentemente relatada como um único ponto de equilíbrio entre eles.
A "estimativa de AUC" é um AUC real?
Não exatamente — um AUC ROC verdadeiro requer pontuações de classificador em muitos limiares de decisão, que uma única matriz de confusão (um limiar) não pode fornecer. A "estimativa de AUC" mostrada aqui é Acurácia Balanceada — a média de Recall e Especificidade — uma aproximação de limiar único comum, não um substituto para calcular uma curva ROC verdadeira se você tiver pontuações por amostra.
Privacidade
Todos os cálculos são executados localmente em seu navegador — seus números nunca são enviados para um servidor.
Para avaliar se uma diferença entre duas taxas é estatisticamente significativa (por exemplo, comparando as taxas de conversão ou erro de dois modelos), consulte a Calculadora de Significância de Teste A/B. Para planejar quantos dados você precisaria coletar para detectar um tamanho de efeito específico antes de coletá-los, consulte a Calculadora de Tamanho de Amostra de Teste A/B.