Que métricas de classificação binária conhece? Prós e contras de cada uma.

As principais métricas de classificação binária:

1. Precisão (Accuracy)

   • Proporção de objetos corretamente classificados.
   • Vantagem: simples e intuitiva.
   • Desvantagem: funciona mal com classes desequilibradas.

2. Precisão (Precisão de previsões positivas)

   • Proporção de verdadeiros positivos entre todos os positivos previstos.
   • Vantagem: importante quando erros de falsos positivos são críticos.
   • Desvantagem: não considera os positivos omitidos.

3. Recall (Sensibilidade)

   • Proporção de verdadeiros positivos detectados pelo modelo em relação a todos os positivos reais.
   • Vantagem: importante quando omitir positivos é crítico.
   • Desvantagem: pode ser alto com muitos falsos positivos.

4. F1-score

   • Média harmônica de Precisão e Recall.
   • Vantagem: equilibra precisão e sensibilidade.
   • Desvantagem: não considera os negativos verdadeiros.

5. AUC ROC (Área sob a curva ROC)

   • Avalia a capacidade do modelo de distinguir classes em diferentes limiares.
   • Vantagem: não depende do limiar de classificação.
   • Desvantagem: pode ser menos informativo em casos de forte desequilíbrio.

6. Matriz de confusão

   • Mostra TP, FP, TN, FN para análise detalhada.

A escolha da métrica depende da tarefa e do que erros são mais críticos: omissões ou falsos positivos.