Precisão e recall
Precisão e recall são duas métricas complementares para avaliar classificadores, especialmente quando as classes estão desequilibradas.
Visão geral
Together they reveal what plain accuracy hides — how often a model's positive predictions are right, and how many real positives it actually catches.
Mergulho profundo
Quando um modelo sinaliza itens como positivos, duas questões são importantes. A Precisão pergunta: de tudo que sinalizamos, quanto foi realmente positivo? É igual aos verdadeiros positivos divididos por todos os positivos previstos, penalizando os alarmes falsos. A recordação (sensibilidade) pergunta: de todos os aspectos positivos reais que existem, quantos capturamos? É igual aos verdadeiros positivos divididos por todos os positivos reais, penalizando as falhas. Geralmente, há uma compensação: reduzir o limite de decisão captura mais positivos (maior recall), mas sinaliza mais lixo (menor precisão) e vice-versa. Qual prioridade depende dos custos – um filtro de spam favorece a precisão (não jogue no lixo mensagens reais), enquanto um exame de câncer favorece o recall (não perca um tumor). A pontuação F1, sua média harmônica, equilibra ambos em um número.
Visão Técnica
Ambas as métricas vêm dos verdadeiros positivos (TP), falsos positivos (FP) e falsos negativos (FN) da matriz de confusão: Precisão = TP / (TP + FP), Recall = TP / (TP + FN). Notavelmente, nenhum deles usa negativos verdadeiros, e é por isso que permanecem informativos quando os negativos superam em muito os positivos. A varredura do limite de classificação traça uma curva de recuperação de precisão; a área abaixo dele (precisão média) resume o desempenho e é preferida ao ROC-AUC em dados altamente desequilibrados.
Impacto Estratégico
Decisões mais claras
Ajuda a separar afirmações técnicas claras da linguagem de marketing.
Custo e orçamento
Você pode fazer perguntas melhores sobre implementação antes de gastar dinheiro ou tempo.
Equipe e fluxo de trabalho
Equipes com entendimento compartilhado tomam melhores decisões sobre produtos, políticas e aprendizado.
O futuro da precisão e do recall
À medida que a IA entra em domínios de alto risco – diagnóstico médico, moderação de conteúdo, fraude – as equipes relatam cada vez mais precisão e recall (e suas curvas), em vez de apenas precisão, e ajustam limites para corresponder aos custos do mundo real e às restrições de justiça. Auditorias de precisão/recall por grupo estão se tornando padrão para detectar taxas de erro díspares em dados demográficos. Espere métricas mais ricas e sensíveis aos custos, probabilidades calibradas e ferramentas que permitam às partes interessadas escolher os pontos operacionais de forma interativa, em vez de aceitar um limite padrão de 0,5.
Implementação no mundo real
Os filtros de spam são ajustados para alta precisão, de modo que e-mails legítimos quase nunca sejam enviados incorretamente para a pasta de spam.
Os exames de triagem médica priorizam alto recall para evitar a falta de pacientes que realmente têm a doença, aceitando mais falsos positivos para acompanhamento.
Os sistemas de pesquisa e recomendação relatam Precision@k (quantos dos k resultados principais são relevantes) para medir a qualidade da classificação.
A detecção de fraude equilibra precisão e recall por meio da pontuação F1, uma vez que tanto alarmes falsos quanto fraudes perdidas são dispendiosos.
Riscos e guarda-corpos
Equipes diferentes podem usar o mesmo termo de maneira diferente, portanto, defina o escopo com antecedência.
Os benchmarks podem parecer fortes, enquanto o desempenho no mundo real é irregular.
Ignorar a qualidade dos dados e os planos de avaliação cria frequentemente resultados frágeis.
Roteiro de implementação
Comece com uma definição em linguagem simples do resultado que você precisa.
Escolha uma métrica de sucesso e uma condição de falha antes de testar.
Execute um pequeno piloto com dados representativos, não um conjunto de demonstração sofisticado.
Documente onde o Precision and Recall ajuda e onde os métodos mais simples são melhores.
Continue explorando
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Precision and Recall quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Próximo guia
Tempus AI em medicina de precisão
Perguntas frequentes
What is Precision and Recall?
Precisão e recall são duas métricas complementares para avaliar classificadores, especialmente quando as classes estão desequilibradas. Juntos, eles revelam o que a precisão pura esconde – com que frequência as previsões positivas de um modelo estão corretas e quantos pontos positivos reais ele realmente captura.
What is next for Precision and Recall?
À medida que a IA entra em domínios de alto risco – diagnóstico médico, moderação de conteúdo, fraude – as equipes relatam cada vez mais precisão e recall (e suas curvas), em vez de apenas precisão, e ajustam limites para corresponder aos custos do mundo real e às restrições de justiça. Auditorias de precisão/recall por grupo estão se tornando padrão para detectar taxas de erro díspares em dados demográficos. Espere métricas mais ricas e sensíveis aos custos, probabilidades calibradas e ferramentas que permitam às partes interessadas escolher os pontos operacionais de forma interativa, em vez de aceitar um limite padrão de 0,5.
A precisão responde a qual pergunta?
Precisão = TP / (TP + FP) mede a exatidão das previsões positivas do modelo – quão confiável é um sinalizador positivo.
Por que a precisão e a recuperação são preferidas à precisão simples para conjuntos de dados altamente desequilibrados?
Como nenhuma das métricas usa verdadeiros negativos, elas não são infladas por uma classe negativa grande e fácil de prever, como acontece com a precisão.