Machine Learning: Métricas e Modelos?
“Modelo sem métrica é como um carro sem combustível…”
Em muitos casos, saber escolher a mais promissora em seu problema; faz toda diferença!
Métricas…
O que dizer?
Embora a mais conhecida seja a “dona” Accuracy (Que é básicamente o número de respostas corretas dividida pelo total de previsões), nem sempre usa-lá vai dar “bom” (tô certo?)
- Tá mas o que seria métrica?
- Para que serve?
- Como vivem?
- Se reproduzem?
- Resposta um pouco grosseira:
Métricas são usadas para avaliar o desempenho de seu modelo (sem ela, seu modelo puft…
- ); Seu objetivo é estimar a precisão de generalização de seu modelo.
Onde usei? E quais usei?
Kaggle — Credit Card Fraud Detection (Links para um site externo.)
Métricas: Cross Validation, Precision, Confusion Matrix
Kaggle — Titanic Disaster (Links para um site externo.)
Métricas: Accuracy, Precision
Kaggle — Previsão do preço das ações (Links para um site externo.)
Métricas: Mean Absolute Error
Kaggle — Porto Seguro’s Safe Driver Prediction (Links para um site externo.)
Métricas: True Positives, True Negatives, False Positives, False Negatives, Precision,Recall, AUC
Livro que me ajudou MUITO a desvendar os mistérios das metricas em modelos, foi o “Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow”
