Accuracy

Atualizado 2020-01-29 Leitura 1 min

Resumo

Accuracy mede a proporcao de previsoes corretas no total.
Em dados desbalanceados pode enganar, por isso use metricas complementares.
Geralmente e combinado com Balanced Accuracy, Precision/Recall e curvas ROC/PR.

1. Definicao #

Com (TP, FP, FN, TN) da matriz de confusao:

$$ \mathrm{Accuracy} = \frac{TP + TN}{TP + TN + FP + FN} $$

E simples de entender, mas nao revela o desempenho nas classes raras.

2. Calculo em Python 3.13 #

1
2
python --version        # ex: Python 3.13.0
pip install scikit-learn

1
2
3
4
5
from sklearn.metrics import accuracy_score, balanced_accuracy_score

acc = accuracy_score(y_true, y_pred)
bal_acc = balanced_accuracy_score(y_true, y_pred)
print(acc, bal_acc)

3. Pontos de atencao #

Desbalanceamento: Accuracy alto pode mascarar baixo recall na classe minoritaria.
Metricas de apoio: Precision/Recall/F1, Balanced Accuracy, ROC-AUC ou PR-AUC.
Matriz de confusao: mostra onde estao os erros.

4. Resumo #

Accuracy e um bom indicador rapido do acerto geral.
Em dados desbalanceados, use sempre metricas complementares.