Precisão, revocação e F1

Quando uma classe é rara, a acurácia pode parecer excelente enquanto o modelo não identifica nada do que importa. São necessárias métricas mais precisas, como precisão e revocação. 🎯

Precisão pergunta: de todos os casos que marquei como positivos, quantos eram realmente positivos? Ela mede o quanto um sim é confiável.

Uma precisão alta é importante quando alarmes falsos são custosos, como ao marcar um e-mail legítimo como spam. Deseja que cada sinalização esteja correta.

Revocação pergunta: de todos os casos realmente positivos, quantos identifiquei? Ela mede quão bem o modelo evita deixar casos passar.

Uma revocação alta é importante quando falhas são perigosas, como em uma triagem para detectar uma doença. Identificar todos os casos reais é mais importante do que alguns alarmes falsos.

Precisão e revocação normalmente competem entre si. Ao sinalizar mais casos, identifica mais ocorrências, mas aumenta os alarmes falsos. É uma troca.

A pontuação F1 combina precisão e revocação em um único número usando a média harmônica, favorecendo modelos que equilibram bem as duas métricas.

O F1 usa uma média harmônica, portanto uma pontuação baixa em qualquer um dos lados reduz o resultado. Não é possível mascará-la obtendo uma pontuação excelente em apenas uma métrica.

Não é necessário calcular isso manualmente. O relatório de classificação exibe precisão, revocação e F1 para cada classe de uma só vez.

Deixe o problema decidir. Otimize a revocação quando falhas forem prejudiciais, a precisão quando alarmes falsos forem prejudiciais e o F1 quando precisar de equilíbrio.

Com muitas classes, escolha como calcular a média. A média macro trata as classes igualmente; a ponderada considera o tamanho de cada classe. A escolha muda a interpretação.

A precisão confia nos seus sim, a revocação identifica os positivos, e o F1 equilibra os dois. Deixe o custo de cada erro orientar sua escolha. 🎯