Avaliação do desempenho do modelo: Calculando precisão, precisão e lembrete em aprendizagem supervisionada

Avaliar o desempenho de modelos de aprendizado de máquina é essencial para entender sua eficácia. Em aprendizado supervisionado, métricas como precisão, precisão e memória são comumente usadas para medir o quão bem um modelo prevê resultados.

Precisão

A precisão mede a proporção de previsões corretas de todas as previsões feitas. É calculada dividindo o número de previsões corretas pelo número total de previsões.

Embora a precisão seja útil, pode ser enganosa em conjuntos de dados desequilibrados onde uma classe domina. Nesses casos, outras métricas fornecem melhores insights sobre o desempenho do modelo.

Precisão e Lembre - se

A precisão indica a proporção de predições positivas verdadeiras entre todas as predições positivas feitas pelo modelo. Ela reflete a capacidade do modelo de evitar falsos positivos.

Lembrar, também conhecida como sensibilidade, mede a proporção de positivos reais corretamente identificados pelo modelo, mostrando o quão bem o modelo detecta casos positivos.

Calculando as métricas

Estas métricas são derivadas da matriz de confusão, que resume os verdadeiros positivos (TP), falsos positivos (FP), verdadeiros negativos (TN) e falsos negativos (FN).

Fórmulas: