Prof. Rafael Kunst

Nem todo modelo que faz muitas previsões positivas está realmente acertando. Neste episódio, exploramos a Precisão (Precision) , uma das métricas mais importantes para avaliar modelos de classificação quando o custo de um falso positivo é elevado. Você entenderá por que uma boa acurácia nem sempre significa um bom modelo e como a Precisão ajuda a medir a confiabilidade das previsões positivas. Ao...

A acurácia é, provavelmente, a métrica mais conhecida do Machine Learning. Mas será que um modelo com 99% de acurácia é realmente um bom modelo? Neste episódio, exploramos o conceito de acurácia , entendendo como ela é calculada a partir da matriz de confusão, como interpretar seu resultado e em quais situações ela é uma excelente escolha. Também discutimos sua principal limitação: uma alta acurác...

No segundo episódio da série Métricas de Avaliação para Machine Learning , exploramos um dos conceitos mais importantes para entender como modelos de classificação são avaliados: a Matriz de Confusão . Antes de falar sobre Acurácia, Precisão, Recall ou F1-Score, é fundamental compreender os quatro resultados possíveis de uma previsão: Verdadeiro Positivo (VP) Verdadeiro Negativo (VN) Falso Positiv...

Você já viu alguém afirmar que um modelo de Machine Learning é excelente porque atingiu 99% de acurácia ? Neste primeiro episódio da série Métricas para Machine Learning , discutimos por que essa conclusão pode estar completamente errada. A avaliação de modelos é uma das etapas mais importantes em qualquer projeto de Inteligência Artificial. No entanto, muitas vezes a atenção fica concentrada nos...