La salida de una herramienta de aprendizaje automático que asigna una probabilidad de que un informe de viento de tormenta severa fue causado por viento de alta intensidad fue evaluada para entender casos contraintuitivos donde informes que tenían una alta (baja) velocidad del viento recibieron una baja (alta) probabilidad diagnosticada. Los datos meteorológicos para estos casos se compararon con los de casos válidos donde la probabilidad del aprendizaje automático parecía consistente con la severidad observada de los vientos. La comparación reveló que los casos con vientos altos pero bajas probabilidades ocurrieron en entornos menos propicios para la producción de viento severo (menos inestabilidad, mayor humedad relativa a nivel bajo, tasas de descenso más débiles) que en los casos donde los vientos altos ocurrieron con altas probabilidades. Los casos con baja velocidad pero alta probabilidad tenían características ambientales que eran más propicias para producir viento severo. Estos resultados sugieren que el modelo de aprendizaje automático está asignando probabilidades basadas en modos de tormenta que a menudo tienen velocidades de viento severo medidas (es decir, grupos de celdas y ecos en forma de arco), y los valores contraintuitivos pueden reflejar eventos donde las interacciones de tormentas u otras características de menor escala juegan un papel más importante. Además, algunas evidencias sugieren que la información incorrecta puede ser común en algunos de estos casos contraintuitivos.