A fonte para essa explicação pode ser acessado aqui.
As métricas de clasicação são obtidas a partir da matriz de confusão, que permite visualizar facilmente quantos exemplos foram classificados corretamente e erroneamente em cada classe, ajudando a entender se o modelo está favorecendo uma classe em detrimento da outra.
- Precisão: Esta métrica é definida pela razão entre a quantidade de exemplos classificados corretamente como positivos e o total de exemplos classificados como positivos.
- Recall: Também chamdo de Revocação ,dá maior ênfase para os erros por falso negativo. Esta métrica é definida pela razão entre a quantidade de exemplos classificados corretamente como positivos e a quantidade de exemplos que são de fato positivos.
-
F1-Score: Leva em consideração tanto a precisão quanto a revocação. Ela é definida pela média harmônica entre as duas.Se a precisão ou a revocação for zero ou muito próximos disso, o F1-score também será baixo. Desta forma, para que o F1-score seja alto, tanto a precisão como a revocação também devem ser altas.
