IA PARA EFP • MÓDULO 2

Avaliação de classificadores binários: Matriz de confusão

Porque a exatidão engana em dados desequilibrados e como o limiar (θ) equilibra compromissos.

🎯 Learning Outcomes / Ishodi učenja:
  • Calcular Verdadeiros Positivos (VP), Falsos Positivos (FP), Falsos Negativos (FN) e Verdadeiros Negativos (VN).
  • Compreender o compromisso entre Precisão (Precision) e Sensibilidade (Recall).
  • Compreender porque 98% de exatidão pode ser inútil no controlo de qualidade.
  • Ajustar o limiar de decisão (θ) para diagnóstico médico vs filtro de spam.

Numa fábrica em que apenas 2% das peças têm defeito, um modelo ingénuo que prevê "Todas boas" tem 98% de exatidão e não deteta qualquer peça defeituosa! A matriz de confusão e a pontuação F1 revelam o desempenho real.

Precisão = VP / (VP + FP)  |  Sensibilidade = VP / (VP + FN)  |  F1 = 2 · (P · S) / (P + S)

Equilibrar alarmes falsos (FP) e defeitos ignorados (FN).

🔬 Interactive Laboratory / Interaktivna laboratorija:

🔍 Guided Investigation / Istraživački zadatak:
  1. Deteção de defeitos: Mova o limiar θ para a esquerda. O que acontece à Sensibilidade e Precisão?
  2. Rastreio médico: Mude para Médico. Porque é vital uma Sensibilidade elevada (≥ 0,95)?
  3. Filtro de spam: Mude para Spam. Porque deve a Precisão ser alta (≥ 0,90) para não bloquear correio legítimo?