Uma equipe de ciência de dados de uma prefeitura está utilizando um modelo de classificação binária para prever a aprovação de projetos de mobilidade urbana. O desempenho do modelo é avaliado com base em algumas métricas. Considere o seguinte código em Python, que foi executado para calcular as métricas a partir dos rótulos verdadeiros e previstos.
Com os dados fornecidos, o código gerou os seguintes resultados: Precisão: 0,80, Recall: 0,80, Fi-Score: 0,80. Com base nessas métricas, o modelo
- A apresenta alta precisão, mas o recall é insuficiente, indicando que ele detecta a maioria dos casos positivos, mas também faz muitas classificações incorretas.
- B apresenta um bom equilíbrio entre precisão e recall, indicando que ele identifica bem os casos positivos e evita erros ao classificar dados negativos.
- C apresenta baixa precisão e recall, indicando que ele frequentemente erra tanto ao prever positivos quanto ao evitar falsos negativos.
- D é ótimo para cenários em que precisão não é tão importante quanto recall, como em problemas de emergência pública, pois Fi-score é alto.
- E tem precisão aceitável, mas o baixo Fi-score sugere um desempenho desequilibrado, com recall bem superior à precisão.