https://docs.google.com/presentation/d/e/2PACX-1vT2pTvuVAX6TmHy6CFcTM7Nmba9UqLplueXOtKBlQamW1bRCGDn06dIAz123kXt8A/pubembed?start=false&loop=false&delayms=3000

Uma avaliação rigorosa de modelos de machine learning garante a confiabilidade, robustez e capacidade de generalização das soluções. Este material apresenta:

1. Métricas de Classificação
2. Métricas de Regressão
3. Métodos de Validação Cruzada
4. Boas Práticas

1. Métricas de Classificação

1.1 Matriz de Confusão

Resume as predições em quatro categorias:

• Verdadeiro Positivo (VP): instâncias positivas corretamente classificadas
• Falso Positivo (FP): instâncias negativas classificadas incorretamente como positivas
• Falso Negativo (FN): instâncias positivas classificadas incorretamente como negativas
• Verdadeiro Negativo (VN): instâncias negativas corretamente classificadas

Matriz de Confusão Exemplificada

1.2 Acurácia

Proporção de predições corretas no total de amostras.

$(VP + VN) / (VP + VN + FP + FN)$

1.3 Precisão e Recall

• Precisão: fração de predições positivas corretas

  $VP / (VP + FP)$