Calculadora de acurácia de classificação

A acurácia de classificação mede a proporção de previsões que um modelo classificou corretamente. Ela soma os verdadeiros positivos e verdadeiros negativos e divide esse total por todas as observações da matriz de confusão. É intuitiva, mas raramente deve ser interpretada isoladamente. Quando as classes estão desbalanceadas, um modelo pode prever a classe majoritária quase sempre e ainda apresentar alta acurácia, mesmo falhando nos casos mais importantes. Por isso, esta calculadora apresenta cinco métricas complementares de classificação binária. Precisão é a proporção de positivos previstos que são realmente positivos, calculada como TP dividido por TP mais FP. Revocação, também chamada de sensibilidade ou recall, é a proporção de positivos reais encontrados pelo modelo: TP dividido por TP mais FN. Especificidade mede a capacidade de identificar negativos: TN dividido por TN mais FP. A pontuação F1 é a média harmônica entre precisão e revocação, valorizando modelos que equilibram ambas em vez de maximizar uma à custa da outra. Comece organizando os resultados em uma matriz de confusão. Um verdadeiro positivo é um caso positivo previsto corretamente como positivo. Um falso positivo é um caso negativo previsto incorretamente como positivo. Um verdadeiro negativo é um caso negativo previsto corretamente como negativo, e um falso negativo é um positivo não detectado pelo classificador. As quatro entradas devem ser contagens do mesmo conjunto de teste e do mesmo limiar de decisão. Misturar percentuais, observações de treinamento ou resultados de limiares diferentes invalida as métricas. As prioridades dependem da aplicação. Na triagem médica, deixar de detectar uma condição pode ter alto custo, então a revocação costuma receber mais atenção. Na filtragem de spam ou aplicação automatizada de sanções, acusações incorretas podem ser custosas, tornando a precisão importante. A especificidade é útil quando rejeitar corretamente os negativos importa. Compare métricas no mesmo conjunto de dados, examine a prevalência das classes e considere intervalos de confiança antes de declarar um modelo superior. A calculadora fornece estimativas pontuais determinísticas para análise rápida, documentação e comparação de limiares; ela não substitui a validação com dados representativos.