Precisão

Compreender a precisão

A precisão centra-se especificamente nas previsões positivas efectuadas por um modelo. É calculada dividindo o número de verdadeiros positivos (instâncias positivas corretamente identificadas) pela soma de verdadeiros positivos e falsos positivos (instâncias incorretamente identificadas como positivas). Uma pontuação de precisão elevada indica que o modelo comete muito poucos erros de falsos positivos, o que significa que, quando prevê um resultado positivo, é muito provável que esteja correto. Esta métrica é crucial em aplicações em que o custo de um falso positivo é elevado. Por exemplo, na deteção de e-mails de spam, uma precisão elevada garante que os e-mails importantes têm menos probabilidades de serem erradamente classificados como spam.

Precisão vs. Recuperação e Exatidão

A precisão é frequentemente discutida juntamente com a recuperação (também conhecida como sensibilidade). Enquanto a precisão mede a exatidão das previsões positivas, a recuperação mede a capacidade do modelo para identificar todas as instâncias positivas reais (Positivos verdadeiros / (Positivos verdadeiros + Falsos negativos)). Muitas vezes, há um compromisso entre a precisão e a recuperação; melhorar uma pode diminuir a outra. Essa relação pode ser visualizada usando uma curva de precisão-recuperação.

Também é importante distinguir entre precisão e exatidão. A exatidão mede a correção geral do modelo em todas as classes (tanto positivas como negativas), enquanto a precisão se centra apenas na correção das previsões positivas. Em conjuntos de dados com classes desequilibradas, a exatidão pode ser enganadora, enquanto a precisão fornece uma visão mais específica do desempenho relativo à classe positiva. O F1-Score fornece um equilíbrio entre a precisão e a recuperação.

Aplicações em IA e ML

A precisão é uma métrica crítica em várias aplicações de IA:

• Diagnóstico médico: Nos sistemas concebidos para detetar doenças(IA nos cuidados de saúde), é vital uma elevada precisão. Um falso positivo (diagnosticar um paciente saudável com uma doença) pode levar a stress desnecessário, custos e tratamentos potencialmente prejudiciais. Os modelos utilizados para tarefas como a deteção de tumores em imagiologia médica esforçam-se por obter uma elevada precisão.
• Deteção de fraudes: Em finanças(modelos de visão computacional em finanças), assinalar uma transação legítima como fraudulenta (um falso positivo) incomoda os clientes e pode prejudicar a confiança. Uma precisão elevada minimiza estas ocorrências.
• Deteção de objectos: Em tarefas de deteção de objectos utilizando modelos como Ultralytics YOLOa precisão faz parte do cálculo da precisão média (mAP), um padrão de referência. Garante que os objectos detectados identificados dentro das caixas delimitadoras são classificados corretamente. Conseguir uma precisão elevada é um objetivo fundamental no desenvolvimento de modelos de deteção robustos como o YOLO11equilibrando-a com a velocidade e a recuperaçãoYOLO métricas de desempenhoYOLO ).
• Recuperação de informação: Os motores de pesquisa procuram obter uma elevada precisão para garantir que os principais resultados apresentados são relevantes para a consulta do utilizador(pesquisa semântica).

Compreender e otimizar a precisão permite aos programadores adaptar o desempenho do modelo a necessidades específicas, especialmente quando a minimização de falsos positivos é fundamental. Ferramentas como o Ultralytics HUB ajudam os utilizadores a treinar e avaliar modelos, acompanhando métricas como a precisão durante o ciclo de desenvolvimento.