Liste as métricas de qualidade do modelo de classificação binária e suas diferenças?
sobes.tech IA
Resposta da IA
As principais métricas de qualidade de um modelo de classificação binária e suas diferenças:
-
Precisão (Accuracy) — proporção de objetos corretamente classificados (positivos e negativos). É útil quando as classes estão equilibradas.
-
Precisão (Precision) — proporção de verdadeiros positivos entre todos os que o modelo previu como positivos. Importante quando os falsos positivos são críticos.
-
Recall (Sensibilidade, Revocação) — proporção de verdadeiros positivos que o modelo identificou entre todos os positivos reais. Importante para não deixar passar casos positivos.
-
F1-score — média harmônica de Precisão e Recall, que equilibra ambas as métricas.
-
ROC-AUC — área sob a curva ROC, mostra a capacidade do modelo de distinguir entre classes em diferentes limiares.
-
Log Loss (Perda Logarítmica) — medida da qualidade de previsões probabilísticas, penaliza previsões confiantes mas incorretas.
A escolha da métrica depende da tarefa: por exemplo, em diagnósticos médicos, o Recall é importante para não deixar passar pacientes doentes, enquanto em spam, a Precisão é fundamental para não bloquear emails normais.