Accuracy

A precisão é a fração das previsões de um modelo que estão corretas: o número de previsões corretas dividido pelo total de previsões. É a pontuação padrão para classificação de imagens e outras tarefas de aprendizado supervisionado com um rótulo por entrada, e responde à pergunta mais simples sobre um modelo: com que frequência ele acerta? A precisão é fácil de entender e comparar entre modelos, mas atribui o mesmo peso a cada previsão; assim, em dados desbalanceados, um modelo pode ter uma pontuação alta e ainda falhar exatamente nos casos importantes, situação em que a precisão e a revocação são mais informativas.

Como a acurácia é calculada#

Em uma tarefa binária, as quatro contagens de uma matriz de confusão fornecem acurácia = (TP + TN) / (TP + TN + FP + FN): verdadeiros positivos mais verdadeiros negativos divididos pelo total de previsões. Em uma tarefa com muitas classes, a acurácia é a soma da diagonal da matriz dividida pela contagem total, e o accuracy_score do scikit-learn calcula esse valor diretamente a partir de dois arrays de rótulos. Muitas vezes, a acurácia é apresentada como taxa de erro, em que erro = 1 − acurácia.

Acurácia Top-1 e Top-5#

Os classificadores com muitas classes também informam a acurácia top-k. A acurácia Top-1 considera uma previsão correta apenas quando a classe com a maior pontuação é o rótulo verdadeiro; a acurácia top-5 considera a previsão correta quando o rótulo verdadeiro está entre as cinco classes com maior pontuação. A top-5 tornou-se padrão com o desafio ImageNet, cujas fotos geralmente contêm vários objetos, mas recebem um único rótulo de uma lista de 1.000 classes. Os modelos de classificação do YOLO26 informam ambos os valores, e o modelo nano, yolo26n-cls.pt, alcança acurácia top-1 de 71,4% e top-5 de 90,1% na ImageNet a 224 pixels.

Acurácia e métricas relacionadas#

• Precisão: entre os positivos previstos, a proporção que realmente é positiva. A precisão aumenta quando há menos falsos alarmes.
• Revocação: entre os positivos reais, a proporção que o modelo encontra. É a métrica que revela quando um modelo ignora uma classe rara.
• Pontuação F1: a média harmônica da precisão e da revocação, que permanece baixa a menos que ambas sejam altas.
• Precisão média (mAP): a métrica padrão para detecção de objetos, em que a acurácia não se aplica porque o fundo não oferece verdadeiros negativos contáveis, apenas um número ilimitado de regiões vazias da imagem.

O paradoxo da acurácia#

Quando uma classe predomina, a acurácia recompensa ignorar a classe rara. Se 1% das transações são fraudulentas, um modelo que aprova todas as transações tem acurácia de 99% e não detecta nenhuma fraude — um padrão conhecido como paradoxo da acurácia. A mesma armadilha aparece na inspeção de defeitos, na triagem de doenças e na detecção de anomalias, em que a classe de interesse é naturalmente rara.

import numpy as np
from sklearn.metrics import accuracy_score, balanced_accuracy_score, recall_score

# 1,000 transactions, 10 of them fraudulent (label 1)
y_true = np.zeros(1000, dtype=int)
y_true[:10] = 1

# A model that labels every transaction as legitimate
y_pred = np.zeros(1000, dtype=int)

print(f"Accuracy: {accuracy_score(y_true, y_pred):.2f}")
print(f"Balanced accuracy: {balanced_accuracy_score(y_true, y_pred):.2f}")
print(f"Fraud recall: {recall_score(y_true, y_pred):.2f}")

A acurácia balanceada, a revocação média entre classes, expõe a falha que a acurácia simples oculta: o script mostra uma acurácia de 0.99, uma acurácia balanceada de 0.50 e uma revocação de fraudes de 0.00.