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 algoritmos, enquanto a escolha das métricas recebe menos atenção do que deveria.

Ao longo deste episódio, exploramos o papel das métricas na avaliação de modelos, analisamos um exemplo clássico envolvendo diagnóstico médico, discutimos o impacto das classes desbalanceadas e mostramos por que diferentes aplicações exigem diferentes formas de avaliação.

Também apresentamos uma visão geral das principais métricas que serão abordadas ao longo da série, incluindo Accuracy, Precision, Recall, F1-Score e ROC/AUC.

Neste episódio

• Por que métricas importam
• Limitações da acurácia
• Classes balanceadas e desbalanceadas
• O custo dos erros em diferentes aplicações
• Accuracy, Precision, Recall, F1 e ROC/AUC
• Introdução à Matriz de Confusão

Série: Métricas para Machine Learning

Nesta série você aprenderá:

• Matriz de Confusão
• Acurácia (Accuracy)
• Precisão (Precision)
• Revocação (Recall)
• F1-Score
• ROC e AUC
• Métricas para Regressão
• Como escolher a métrica correta

Porque em Machine Learning não existe a melhor métrica. Existe a métrica adequada para o seu problema.