02. Métricas de Avaliação

Classificação

Para modelos de classificação, como o KNN, as principais métricas são:

Métrica	Propósito	Fórmula	Caso de Uso
Acurácia	Proporção de previsões corretas em todas as classes	$\frac{TP + TN}{TP + TN + FP + FN}$	Útil para conjuntos balanceados
Precisão	Proporção de positivos previstos que são realmente corretos	$\frac{TP}{TP + FP}$	Importante quando falsos positivos são custosos
Recall	Proporção de positivos reais corretamente identificados	$\frac{TP}{TP + FN}$	Importante quando falsos negativos são custosos
F1-Score	Média harmônica entre precisão e recall	$2 \cdot \frac{Precisão \cdot Recall}{Precisão + Recall}$	Útil para dados desbalanceados
Matriz de Confusão	Resumo tabular dos resultados de previsão (TP, TN, FP, FN)	-	Detalha desempenho por classe

Para modelos de regressão, as métricas mais comuns são:

Métrica	Propósito	Fórmula	Caso de Uso
MAE	Média das diferenças absolutas entre predições e valores reais	$\frac{1}{N} \sum_{i=1}^N	y_i - \hat{y}_i
MSE	Média das diferenças quadráticas entre predições e valores reais	$\frac{1}{N} \sum_{i=1}^N (y_i - \hat{y}_i)^2$	Sensível a outliers, comum em redes neurais
RMSE	Raiz quadrada do MSE, erro na mesma unidade do alvo	$\sqrt{\frac{1}{N} \sum_{i=1}^N (y_i - \hat{y}_i)^2}$	Preferido para magnitude de erro interpretável
MAPE	Média percentual do erro relativo aos valores reais	$\frac{1}{N} \sum_{i=1}^N \left	\frac{y_i - \hat{y}_i}{y_i}\right
$R^2$	Proporção da variância explicada pelo modelo	$1 - \frac{\sum_{i=1}^N (y_i - \hat{y}_i)^2}{\sum_{i=1}^N (y_i - \bar{y})^2}$	Indica ajuste do modelo, valores próximos de 1 são melhores

Para modelos de agrupamento, como o K-Means, utiliza-se:

Métrica	Propósito	Interpretação
Silhouette Score	Mede o quão bem cada ponto está agrupado	Valores próximos de 1 indicam bom agrupamento

Essas métricas permitem comparar modelos, identificar pontos de melhoria e justificar escolhas para cada problema.

Métrica	Propósito	Fórmula	Caso de Uso
Acurácia	Proporção de previsões corretas em todas as classes	\(\frac{TP + TN}{TP + TN + FP + FN}\)	Útil para conjuntos balanceados
Precisão	Proporção de positivos previstos que são realmente corretos	\(\frac{TP}{TP + FP}\)	Importante quando falsos positivos são custosos
Recall	Proporção de positivos reais corretamente identificados	\(\frac{TP}{TP + FN}\)	Importante quando falsos negativos são custosos
F1-Score	Média harmônica entre precisão e recall	\(2 \cdot \frac{Precisão \cdot Recall}{Precisão + Recall}\)	Útil para dados desbalanceados
Matriz de Confusão	Resumo tabular dos resultados de previsão (TP, TN, FP, FN)	-	Detalha desempenho por classe