Precisão

Compreender a precisão

A precisão centra-se na exatidão das previsões positivas. É calculada com base nos conceitos de Verdadeiros Positivos (TP) e Falsos Positivos (FP):

• Verdadeiros positivos (TP): O número de instâncias positivas corretamente identificadas pelo modelo.
• Falsos positivos (FP): O número de instâncias negativas incorretamente identificadas como positivas pelo modelo (também conhecido como erro de tipo I).

Uma pontuação de precisão elevada indica que o modelo comete muito poucos erros falsos positivos. Isto significa que quando o modelo prevê um resultado positivo, é muito provável que esteja correto. A precisão é frequentemente avaliada juntamente com outras métricas derivadas da matriz de confusão, como a Recuperação e a Exatidão.

Precisão vs. métricas relacionadas

É importante distinguir a Precisão de outras métricas de avaliação comuns:

• Recuperação (sensibilidade): Enquanto a precisão mede a exatidão das previsões positivas, a recuperação mede a capacidade do modelo para identificar todas as instâncias positivas reais. Responde à recuperação: "De todas as instâncias positivas reais, quantas é que o modelo identificou corretamente?" Muitas vezes, há um compromisso entre a precisão e a recuperação; melhorar uma pode diminuir a outra. Isto é visualizado utilizando as curvas Precisão-Recall.
• Precisão: A precisão mede a proporção global de previsões corretas (tanto positivas como negativas) entre todas as previsões efectuadas. No entanto, a exatidão pode ser enganadora, especialmente quando se lida com conjuntos de dados desequilibrados em que uma classe supera significativamente a outra.
• Pontuação F1: A pontuação F1 é a média harmônica de Precisão e Recuperação, fornecendo uma única métrica que equilibra ambas. É particularmente útil quando precisas de um compromisso entre a minimização de falsos positivos (alta precisão) e a minimização de falsos negativos (alta recuperação).

A escolha da métrica correta depende dos objectivos específicos do projeto de ML. Dá prioridade à precisão quando o custo de um falso positivo é elevado.

Aplicações em IA e ML

A precisão é uma métrica crítica em várias aplicações de inteligência artificial (IA) em que as consequências de falsos positivos são significativas:

• Diagnóstico médico: Em tarefas como a deteção de tumores em imagiologia médica, é crucial uma elevada precisão. Um falso positivo (diagnosticar um tumor quando ele não existe) pode levar a stress desnecessário, procedimentos dispendiosos e tratamentos prejudiciais para o paciente. Por isso, o modelo deve ser muito preciso na identificação de potenciais tumores.
• Filtragem de spam: Os serviços de e-mail têm como objetivo uma elevada precisão nos seus filtros de spam. Um falso positivo ocorre quando um e-mail legítimo é incorretamente marcado como spam. Isto pode fazer com que os utilizadores percam comunicações importantes. A elevada precisão garante que a grande maioria dos e-mails marcados como spam são efetivamente spam.
• Controlo de qualidade no fabrico: Os sistemas de IA utilizados para detetar produtos defeituosos numa linha de montagem necessitam de elevada precisão. Identificar erradamente um bom produto como defeituoso (um falso positivo) leva a desperdícios desnecessários e a um aumento dos custos.
• Deteção de fraudes: Nos sistemas financeiros, a identificação de uma transação legítima como fraudulenta (falso positivo) incomoda os clientes e pode levar à perda de negócios. A elevada precisão minimiza estas perturbações.
• Recuperação de informação e pesquisa semântica: Os motores de pesquisa esforçam-se por obter uma elevada precisão para garantir que os principais resultados apresentados são altamente relevantes para a consulta do utilizador. Os resultados irrelevantes (falsos positivos neste contexto) conduzem a uma má experiência do utilizador.

Precisão nos modelosYOLO Ultralytics

No contexto da visão computacional (CV), particularmente em modelos de deteção de objectos como Ultralytics YOLOda Ultralytics, a precisão é um indicador-chave de desempenho. Mede quantas das caixas delimitadoras detectadas identificam corretamente um objeto.

• Avaliação: A precisão é normalmente avaliada juntamente com a recuperação e métricas como a precisão média (mAP), que considera a precisão e a recuperação em diferentes limites de confiança. Podes encontrar explicações detalhadas no guia de métricas de desempenhoYOLO .
• Afinação de modelos: Compreender a precisão ajuda os programadores a afinar modelos como YOLO11 para aplicações específicas. Por exemplo, num sistema de segurança, pode preferir-se uma precisão elevada para evitar falsos alarmes.
• Ultralytics HUB: Plataformas como o Ultralytics HUB permitem aos utilizadores treinar, validar e monitorizar facilmente o desempenho do modelo, acompanhando a precisão e outras métricas vitais ao longo do ciclo de vida do desenvolvimento. Isto ajuda na avaliação e afinação do modelo. O desempenho de diferentes modelos, incluindo a sua precisão, pode ser comparado utilizando recursos como as páginas de comparação de modelos doUltralytics . Os modelosUltralytics YOLO11 Enterprise são frequentemente optimizados para uma maior precisão em aplicações comerciais.

A otimização da precisão permite que os programadores criem sistemas de IA mais fiáveis e dignos de confiança, especialmente quando a minimização de falsos positivos é fundamental.