Inteligência Artificial |
Métricas de Avaliação
Em classificação, métricas como acurácia, precisão, revocação (recall) e F1-score avaliam diferentes aspectos do desempenho do modelo, especialmente importantes quando as classes são desbalanceadas.
Em regressão, costuma-se usar o erro quadrático médio (MSE) ou o erro absoluto médio (MAE) para medir a distância entre valores previstos e reais.
Matriz de Confusão
A matriz de confusão organiza os acertos e erros de um classificador em verdadeiros positivos, falsos positivos, verdadeiros negativos e falsos negativos.
A partir dela é possível calcular praticamente todas as métricas de classificação e entender que tipo de erro o modelo mais comete.
Overfitting e Underfitting
O overfitting ocorre quando um modelo se ajusta excessivamente aos dados de treino, capturando ruídos em vez de padrões reais, o que prejudica seu desempenho em dados novos.
Já o underfitting acontece quando o modelo é simples demais para capturar a estrutura dos dados, resultando em baixo desempenho tanto no treino quanto no teste.