4.3.2
Precision-Recall
Resumo
- A curva Precision-Recall mostra o trade-off entre alarmes falsos e casos perdidos.
- F1 resume Precision e Recall quando queremos equilibrio.
- Ajustar o limiar permite alinhar o modelo ao custo do negocio.
1. Definicoes #
Com (TP, FP, FN):
$$ \text{Precision} = \frac{TP}{TP + FP}, \qquad \text{Recall} = \frac{TP}{TP + FN} $$O F1 e a media harmonica:
$$ F_1 = 2 \cdot \frac{\text{Precision}\cdot\text{Recall}}{\text{Precision}+\text{Recall}} $$2. Por que o limiar importa #
- Limiar menor → Recall maior e Precision menor.
- Limiar maior → menos falsos positivos, mas mais falsos negativos.
- A curva PR ajuda a escolher o ponto com melhor custo-beneficio.
3. Dicas praticas #
- Para classes raras, PR-AUC e mais informativo que ROC-AUC.
- Se ha limite de alertas, priorize Precision.
- Use matriz de confusao para entender os erros.