Ideias que abrem caminhos.

Tecnologia / Apogee

Precisão e recall: duas formas de medir erros em classificadores

Precisão mostra quantas previsões positivas estão corretas; recall indica quantos positivos reais o modelo identificou. A diferença ajuda a escolher métricas conforme a tarefa e o custo dos erros.

Por Redação Apogee · produção assistida por IA
Ilustração por IA: Objetos concretos ligados ao assunto em ambiente cotidiano, sem cenas de acontecimentos reais.

Artigo explicativo · apuração em 20/11/2026.

Precisão e recall medem erros diferentes em um modelo de classificação. A precisão indica que proporção das previsões positivas está correta: é o número de verdadeiros positivos dividido pela soma de verdadeiros e falsos positivos (TP/(TP+FP)). Assim, ela diminui quando o modelo classifica incorretamente exemplos negativos como positivos. [1] [2]

Recall, também chamado de revocação, mede quantos dos positivos reais o modelo conseguiu identificar: verdadeiros positivos divididos pela soma de verdadeiros positivos e falsos negativos (TP/(TP+FN)). Essa métrica é afetada quando casos positivos passam despercebidos. Em resumo, precisão trata da confiabilidade das previsões positivas; recall, da cobertura dos positivos existentes. [1] [2]

A métrica mais útil depende da tarefa e do custo de cada tipo de erro. Quando deixar de detectar um positivo é especialmente relevante, o recall pode ser mais informativo; em outros contextos, pode importar mais evitar falsos alarmes. A acurácia, que considera a proporção total de classificações corretas, também pode enganar em dados muito desbalanceados: se uma classe aparece apenas 1% das vezes, prever sempre a classe majoritária pode resultar em 99% de acurácia sem identificar a classe rara. [1] [2]

Precisão e recall também dependem do limiar usado para decidir se uma previsão pertence à classe positiva. Por isso, comparações entre modelos precisam levar em conta esse limiar. Quando se busca equilibrar as duas métricas, o F1 reúne precisão e recall em uma única medida; ainda assim, a escolha da avaliação deve refletir a tarefa, não apenas um número agregado. [1] [2]

Fontes: [1] Classification: Accuracy, recall, precision, and related metrics | Machine Learning | Google for Developers - https://developers.google.com/machine-learning/crash-course/classification/accuracy-precision-recall (data de publicação não informada) · consulta em 19/11/2026 [2] Custom text classification model concepts - Foundry Tools - https://learn.microsoft.com/en-us/azure/ai-services/language-service/custom-text-classification/concepts/evaluation-metrics (data de publicação não informada) · consulta em 20/11/2026

Fontes

  1. Classification: Accuracy, recall, precision, and related metrics | Machine Learning | Google for Developers
  2. Custom text classification model concepts - Foundry Tools

Mais ideias para seguir em frente

← Voltar ao blog