Precisão

Compreender a exatidão

A exatidão é calculada dividindo o número de previsões corretas (tanto os verdadeiros positivos como os verdadeiros negativos) pelo número total de previsões efectuadas. Embora intuitiva, a exatidão por si só pode por vezes ser enganadora, especialmente quando se lida com conjuntos de dados desequilibrados - situações em que uma classe supera significativamente as outras. Por exemplo, se um conjunto de dados contiver 95% de e-mails sem spam e 5% de e-mails com spam, um modelo que preveja simplesmente "não é spam" para cada e-mail atingiria 95% de precisão, apesar de ser inútil para identificar o spam real. Por conseguinte, é crucial considerar a precisão juntamente com outras métricas de avaliação para obter uma imagem completa do desempenho do modelo. Podes obter mais informações sobre a avaliação de modelos e estratégias de afinação.

Precisão vs. outras métricas

É importante distinguir a precisão das métricas relacionadas:

• Precisão: Mede a proporção de identificações positivas que estavam realmente corretas. Responde: "De todos os itens previstos como positivos, quantos foram realmente positivos?" Uma precisão elevada é crucial quando o custo de um falso positivo é elevado.
• Recall (Sensibilidade): Mede a proporção de positivos reais que foram corretamente identificados. Responde: "De todos os itens positivos verdadeiros, quantos é que o modelo identificou corretamente?" Uma elevada recuperação é vital quando a omissão de um caso positivo (falso negativo) é dispendiosa.
• Pontuação F1: A média harmónica de Precisão e Recuperação, fornecendo uma única pontuação que equilibra ambas as métricas. É particularmente útil quando lida com classes desequilibradas.
• Precisão média média (mAP): Uma métrica comum em tarefas de deteção de objectos, como as realizadas pela Ultralytics YOLO do Ultralytics, que considera tanto a correção da classificação como a precisão da localização(Intersecção sobre União - IoU). A precisão simples não é adequada neste caso, uma vez que não tem em conta a colocação da caixa delimitadora.

Estas métricas são muitas vezes derivadas de uma Matriz de Confusão, que fornece uma análise detalhada das classificações corretas e incorrectas para cada classe. Compreender estas métricas de desempenhoYOLO é essencial.

Aplicações e exemplos do mundo real

A precisão serve como métrica de base em muitas aplicações:

1. Filtragem de e-mails de spam: Ao classificar os e-mails como 'spam' ou 'não spam', a precisão indica a percentagem global de e-mails corretamente categorizados. No entanto, devido à percentagem tipicamente baixa de e-mails de spam(um problema de desequilíbrio do conjunto de dados), confiar apenas na precisão pode ser enganador. Métricas como a precisão e a recuperação são frequentemente mais informativas para garantir que o spam é apanhado sem assinalar incorretamente os e-mails legítimos.
2. Análise de imagens médicas: Considera um modelo de IA nos cuidados de saúde concebido para classificar os exames médicos como mostrando um tumor ("positivo") ou não ("negativo"). Embora a precisão geral seja importante, a recuperação torna-se crítica. A omissão de um tumor (um falso negativo) pode ter consequências graves, pelo que é fundamental garantir que o modelo identifica o maior número possível de casos reais de tumores, mesmo que isso implique uma menor precisão (mais falsos positivos que exigem uma análise mais aprofundada). Plataformas como o Ultralytics HUB podem ajudar a gerenciar o processo de treinamento e avaliação desses modelos.

Precisão em Ultralytics

No ecossistema Ultralytics , a precisão é uma das várias métricas utilizadas para avaliar o desempenho do modelo, especialmente para tarefas de classificação de imagens. Ao comparar modelos, como o YOLO11 vs YOLOv8, as referências de precisão em conjuntos de dados padrão como o ImageNet fornecem pontos de comparação valiosos, juntamente com a velocidade de inferência e o custo computacional. No entanto, para tarefas de deteção e segmentação, é dada prioridade a métricas como o mAP, uma vez que reflectem melhor os desafios específicos dessas tarefas.