EP01_02 — 📊 Prestazioni Predittive — Metriche di ML in VC

1.17.2 EP01_02 📊 Prestazioni Predittive — Metriche di ML in VC

In questa attività entrerai nel mondo dell’Apprendimento Automatico (Machine Learning). Il tuo obiettivo è valutare le prestazioni di un classificatore binario calcolando le metriche a partire da una Matrice di Confusione.

1.17.2.1 🧠 Perché la metrica giusta è importante?

Immagina un rilevatore di monete da R$ 1,00. L’impatto dell’errore definisce la metrica prioritaria:

Metrica	Esempio Pratico	Importanza in PDI/VC
Accuratezza	Conteggio dei Grani	Utile quando le classi sono bilanciate (es: metà dei grani difettosi, metà sani).
Precisione	Sicurezza/Biometria	Fondamentale per evitare Falsi Positivi (es: non consentire a un impostore di accedere a un sistema per un errore di riconoscimento).
Sensibilità	Salute (Tumori)	Fondamentale per evitare Falsi Negativi (es: non lasciare che un tumore passi inosservato in una radiografia).
F1-score	Banconote	Ideale per un equilibrio tra non rifiutare banconote autentiche e non accettare banconote false.

1.17.2.2 📊 La Matrice di Confusione

	Predetta Positiva	Predetta Negativa
Reale Positiva	VP (Vero Positivo)	FN (Falso Negativo)
Reale Negativa	FP (Falso Positivo)	VN (Vero Negativo)

Compito:

Leggi 4 valori interi nell’ordine: VP, FN, FP, VN.
Calcola le metriche utilizzando le formule:

\[\text{Accuratezza} = \frac{VP + VN}{VP + VN + FP + FN}\]

\[\text{Precisione} = \frac{VP}{VP + FP}\]

\[\text{Sensibilità (Recall)} = \frac{VP}{VP + FN}\]

\[\text{F1-score} = \frac{2 \times \text{Precisione} \times \text{Sensibilità}}{\text{Precisione} + \text{Sensibilità}}\]

Stampa i risultati formattati con due cifre decimali, uno per riga.

📌 Importante:

Usa la divisione in virgola mobile per evitare risultati troncati.
L’ordine di uscita deve essere: Accuratezza, Precisione, Sensibilità e F1-score.
Consulta la simulazione interattiva di questo EP alla Figura 1.12.

1.17.2.3 📌 Esempio di Esecuzione

Input	Output	Osservazione
`40`	`0.75`	Accuratezza
`10`	`0.73`	Precisione
`15`	`0.80`	Sensibilità
`35`	`0.76`	F1-score

(Nota: VP=40, FN=10, FP=15, VN=35. Totale dei casi = 100)

🎮 Simulatore EP01_02: Prestazioni Predittive — Metriche di ML Matrice di Confusione & Metriche

Seleziona uno scenario predefinito o regola i cursori per osservare l'impatto in tempo reale sulla matrice di confusione e sulle metriche di valutazione.

INPUT (PARAMETRI DELLA MATRICE)

VP 40

FN 10

FP 15

VN 35

MATRICE DI CONFUSIONE DISCRETA

Pred +
Pred −
Reale +
VP
40
FN
10
Reale −
FP
15
VN
35

METRICHE CALCOLATE IN TEMPO REALE

Accuratezza 0.75

(VP + VN) / Totale

Precisione 0.73

VP / (VP + FP)

Sensibilità (Recall) 0.80

VP / (VP + FN)

F1-Score (Media Armonica) 0.76

2 · (P · R) / (P + R)

Totale Campioni: 100

Figura 1.12: Simulatore EP01_02: Prestazioni Predittive — Metriche di ML

%%writefile EP01_02.py
# la tua soluzione

Overwriting EP01_02.py

TestSuite("EP01_02.py").run()

✔️ EP01_02.cases esiste già in casos/
📋 5 caso/i caricato/i da casos/EP01_02.cases

🔍 Test di Python: EP01_02.py
⚠️ EP01_02.py: file vuoto (meno di 3 righe). Test saltati.