Alta acurácia não significa um bom modelo. Entenda o porquê | Métricas para Machine Learning #03
カートのアイテムが多すぎます
カートに追加できませんでした。
ウィッシュリストに追加できませんでした。
ほしい物リストの削除に失敗しました。
ポッドキャストのフォローに失敗しました
ポッドキャストのフォロー解除に失敗しました
Alta acurácia não significa um bom modelo. Entenda o porquê | Métricas para Machine Learning #03
-
ナレーター：
-
著者：
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 acurácia pode mascarar modelos que falham justamente nos casos mais importantes, especialmente em bases de dados desbalanceadas.
Ao longo do episódio, utilizamos exemplos práticos para mostrar quando a acurácia funciona bem e quando outras métricas passam a ser indispensáveis.
Neste episódio você vai aprender
- O que é a acurácia;
- Como calcular a acurácia;
- Como interpretar seu valor;
- Quando utilizar essa métrica;
- Por que ela pode ser enganosa em alguns problemas.
No próximo episódio, continuaremos nossa jornada estudando a Precisão (Precision) e veremos por que ela é fundamental quando queremos confiar nas previsões positivas feitas por um modelo de Machine Learning.