Para ambas as m\u00e9tricas, quanto maior o valor, mais capaz \u00e9 o modelo de classificar as observa\u00e7\u00f5es em classes.<\/span><\/p>\n No entanto, cada m\u00e9trica \u00e9 calculada usando uma f\u00f3rmula diferente e h\u00e1 vantagens e desvantagens em utiliz\u00e1-la.<\/span><\/p>\n O exemplo a seguir mostra como calcular cada m\u00e9trica na pr\u00e1tica.<\/span><\/p>\n Suponha que usemos um modelo de regress\u00e3o log\u00edstica para prever se 400 jogadores diferentes de basquete universit\u00e1rio ser\u00e3o ou n\u00e3o convocados para a NBA.<\/span><\/p>\n A seguinte matriz de confus\u00e3o resume as previs\u00f5es feitas pelo modelo:<\/span> <\/p>\n Veja como calcular v\u00e1rias m\u00e9tricas para a matriz de confus\u00e3o:<\/span><\/p>\n Precis\u00e3o:<\/strong> previs\u00f5es positivas corretas em rela\u00e7\u00e3o ao total de previs\u00f5es positivas<\/span><\/p>\n Lembrete:<\/strong> corrija as previs\u00f5es positivas em rela\u00e7\u00e3o ao total de positivos reais<\/span><\/p>\n Precis\u00e3o:<\/strong> porcentagem de todas as observa\u00e7\u00f5es classificadas corretamente<\/span><\/p>\n Pontua\u00e7\u00e3o F1:<\/strong> m\u00e9dia harm\u00f4nica de precis\u00e3o e recall<\/span><\/p>\n Existem pr\u00f3s e contras em usar a pontua\u00e7\u00e3o e precis\u00e3o da F1.<\/span><\/p>\n Precis\u00e3o<\/strong> :<\/span><\/p>\n Pr\u00f3<\/strong> : F\u00e1cil de interpretar. Se dissermos que um modelo \u00e9 90% preciso, sabemos que ele classificou corretamente 90% das observa\u00e7\u00f5es.<\/span><\/p>\n Desvantagem<\/strong> : N\u00e3o leva em considera\u00e7\u00e3o como os dados s\u00e3o distribu\u00eddos. Por exemplo, vamos supor que 90% de todos os jogadores n\u00e3o sejam convocados para a NBA. Se tiv\u00e9ssemos um modelo que simplesmente previsse que todos os jogadores n\u00e3o seriam draftados, o modelo preveria corretamente o resultado para 90% dos jogadores. Este valor parece alto, mas na verdade o modelo n\u00e3o consegue prever corretamente quais jogadores ser\u00e3o convocados.<\/span><\/p>\n Resultados da F1<\/strong> :<\/span><\/p>\n Pr\u00f3<\/strong> : considere como os dados s\u00e3o distribu\u00eddos. Por exemplo, se os dados forem altamente desequilibrados (por exemplo, 90% de todos os jogadores n\u00e3o s\u00e3o draftados e 10% s\u00e3o), ent\u00e3o a pontua\u00e7\u00e3o F1 fornecer\u00e1 uma melhor avalia\u00e7\u00e3o do desempenho do modelo.<\/span><\/p>\n Desvantagem<\/strong> : Mais dif\u00edcil de interpretar. A pontua\u00e7\u00e3o F1 \u00e9 uma mistura de precis\u00e3o e recupera\u00e7\u00e3o de modelo, tornando-a um pouco mais dif\u00edcil de interpretar.<\/span><\/p>\n Geralmente:<\/span><\/p>\n Freq\u00fcentemente usamos precis\u00e3o<\/strong> quando as classes s\u00e3o equilibradas e n\u00e3o h\u00e1 grande desvantagem em prever falsos negativos.<\/span><\/p>\n Freq\u00fcentemente usamos a pontua\u00e7\u00e3o F1<\/strong> quando as classes s\u00e3o desequilibradas e h\u00e1 uma s\u00e9ria desvantagem na previs\u00e3o de falsos negativos.<\/span><\/p>\n Por exemplo, se usarmos um modelo de regress\u00e3o log\u00edstica para prever se uma pessoa tem ou n\u00e3o c\u00e2ncer, os falsos negativos s\u00e3o realmente ruins (por exemplo, prever que uma pessoa n\u00e3o tem c\u00e2ncer quando na verdade tem c\u00e2ncer), ent\u00e3o a pontua\u00e7\u00e3o F1 penalizar\u00e1 os modelos que t\u00eam muitos falsos negativos. mais que precis\u00e3o.<\/span><\/p>\n Regress\u00e3o vs. classifica\u00e7\u00e3o: qual \u00e9 a diferen\u00e7a?<\/a> Ao usar modelos de classifica\u00e7\u00e3o em aprendizado de m\u00e1quina, duas m\u00e9tricas que costumamos usar para avaliar a qualidade do modelo s\u00e3o a pontua\u00e7\u00e3o F1 e a precis\u00e3o . Para ambas as m\u00e9tricas, quanto maior o valor, mais capaz \u00e9 o modelo de classificar as observa\u00e7\u00f5es em classes. No entanto, cada m\u00e9trica \u00e9 calculada usando uma […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"class_list":["post-2163","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n Exemplo: C\u00e1lculo da pontua\u00e7\u00e3o e precis\u00e3o F1<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/\u1405-\u1405-\u1405.png\")
<\/p>\n\n
\n
\n
\n
Quando usar a pontua\u00e7\u00e3o F1 versus precis\u00e3o<\/strong><\/span><\/h3>\n
Recursos adicionais<\/strong><\/span><\/h3>\n
Introdu\u00e7\u00e3o \u00e0 regress\u00e3o log\u00edstica<\/a>
Como realizar regress\u00e3o log\u00edstica em R
Como realizar regress\u00e3o log\u00edstica em Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"