Precision

A precisão é a proporção de previsões positivas do modelo que estão corretas. Ela responde à pergunta "quando o modelo diz sim, com que frequência está certo?" e é calculada dividindo os verdadeiros positivos por todas as previsões positivas: precisão = TP / (TP + FP), em que um falso positivo (FP) é um caso negativo que o modelo sinalizou por engano. A precisão varia de 0 a 1; portanto, uma precisão de 0.95 significa que 1 em cada 20 alertas é um falso alarme. Valor preditivo positivo (PPV) é um sinônimo usado na medicina, e a taxa de falsas descobertas equivale a 1 menos a precisão. A precisão é especialmente importante quando os falsos alarmes têm alto custo, como em um filtro de spam que oculta e-mails legítimos, um sistema de inspeção que descarta peças boas ou uma câmera de segurança que chama os guardas por causa de sombras.

Como a precisão é calculada#

A precisão usa duas células da matriz de confusão: os verdadeiros positivos e os falsos positivos, que, juntos, correspondem a todas as previsões positivas. Os positivos não detectados nunca entram na fórmula, então um modelo que sinaliza apenas seu caso mais confiável pode alcançar precisão de 1.0 sem detectar quase nada. Por isso, a precisão é informada junto com a revocação, TP / (TP + FN), que penaliza exatamente essas falhas, e a pontuação F1 combina as duas em um único valor. Quando o modelo não faz nenhuma previsão positiva, a precisão é 0 / 0 e fica indefinida; bibliotecas como o scikit-learn a informam como 0 com um aviso.

Com mais de duas classes, a precisão é calculada por classe, tratando essa classe como positiva e todas as outras como negativas, e depois é feita a média. A precisão macro dá o mesmo peso a todas as classes e, em tarefas multiclasse de rótulo único, a precisão micro-média equivale à acurácia.

A precisão depende da prevalência#

A revocação e a especificidade descrevem separadamente como o modelo trata positivos e negativos, então permanecem constantes quando os positivos se tornam mais raros. A precisão combina os dois grupos e diminui à medida que a prevalência cai, pois a mesma taxa de falsos positivos aplicada a mais negativos produz mais falsos alarmes por detecção verdadeira. O script do scikit-learn abaixo avalia um modelo de triagem com duas prevalências:

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

# One screening model at two prevalences: it finds 90% of positives and flags 1% of negatives
for positives in (1000, 100):
    negatives = 10_000 - positives
    tp, fp = int(0.9 * positives), int(0.01 * negatives)
    counts = [tp, positives - tp, fp, negatives - fp]  # TP, FN, FP, TN

    # Rebuild labels and predictions for 10,000 cases from the confusion-matrix counts
    y_true = np.repeat([1, 1, 0, 0], counts)
    y_pred = np.repeat([1, 0, 1, 0], counts)
    accuracy = accuracy_score(y_true, y_pred)
    recall = recall_score(y_true, y_pred)
    precision = precision_score(y_true, y_pred)
    print(f"{positives} positives: accuracy {accuracy:.3f}, recall {recall:.2f}, precision {precision:.2f}")

Com 1.000 positivos em 10.000 casos, o modelo alcança uma precisão de 0.91. Com 100 positivos, a revocação continua em 0.90 e a acurácia até aumenta para 0.989, mas agora há 99 falsos alarmes para 90 detecções verdadeiras, e a precisão cai para 0.48. Portanto, uma precisão medida em um conjunto de teste balanceado superestima a precisão que o modelo apresentará na implantação sempre que os positivos forem mais raros, como na triagem de uma doença rara.

Precisão na detecção de objetos#

Na detecção de objetos, cada caixa prevista acima do limiar de confiança é uma previsão positiva. As previsões são associadas em ordem decrescente de confiança, e uma caixa só é um verdadeiro positivo se se sobrepuser a um objeto rotulado da mesma classe com uma interseção sobre união (IoU) igual ou superior ao limiar e se esse objeto ainda não tiver sido associado a uma caixa com pontuação maior. Caixas sobre o fundo, caixas com a classe errada, caixas mal posicionadas e caixas duplicadas sobre um objeto já associado contam como falsos positivos.

Aumentar o limiar de confiança remove caixas com pontuações baixas, que têm maior probabilidade de estar erradas, por isso a precisão geralmente aumenta enquanto a revocação diminui. Traçar a precisão em relação à revocação em todos os limiares produz a curva precisão-revocação, e a área abaixo dela é a precisão média (AP), calculada pela média entre classes na média da precisão média (mAP) e, para mAP_50-95, entre dez limiares de IoU. A validação do YOLO26 salva a precisão de cada classe em cada limiar de confiança como BoxP_curve.png e informa a precisão (P) no limiar de confiança em que a F1 média atinge o pico, junto com a revocação e a mAP.

Como melhorar a precisão#

• Aumentar o limiar de confiança: A solução mais rápida, mas com redução da revocação.
• Adicionar negativos difíceis: Acrescenta aos dados de treinamento os objetos semelhantes e as cenas vazias que geram falsos alarmes para que o modelo aprenda o que não deve sinalizar. A seleção dos negativos mais confusos dessa forma é chamada de mineração de negativos difíceis.
• Corrigir rótulos ausentes: Uma detecção correta de um objeto que o anotador deixou passar conta como falso positivo, então rótulos de referência incompletos fazem a precisão parecer pior do que realmente é.
• Separar classes confundidas: A matriz de confusão mostra quais classes o modelo confunde, e mais exemplos ou definições de classe mais claras para esses pares eliminam os falsos positivos da classe errada.

Precisão vs. termos relacionados#

• Revocação: A proporção de positivos reais que o modelo encontra, TP / (TP + FN). Ela contabiliza os casos não detectados, enquanto a precisão contabiliza os falsos alarmes.
• Especificidade: A proporção de negativos reais corretamente rejeitados, TN / (TN + FP). Uma especificidade de 0.99 ainda pode resultar em precisão abaixo de 0.5 quando os positivos são raros, como mostra o script de triagem.
• Acurácia: A proporção de todas as previsões que estão corretas, dominada pela classe majoritária em dados desbalanceados.
• Precisão numérica: O número de bits usados para armazenar cada valor, como ponto flutuante de 32 bits ou 16 bits, um significado diferente da mesma palavra.
• Precisão de medição: O grau de concordância entre medições repetidas, enquanto a exatidão descreve o quão próximas elas estão do valor verdadeiro. Uma balança que sempre marca 2 kg a mais é precisa, mas inexata.