Métricas
Métricas de Avaliação - Árvore de Decisão
Métricas Utilizadas
Accuracy: Percentual de acertos totais do modelo Precision (Weighted): Proporção de predições positivas corretas, ponderada por classe F1-Score (Weighted): Média harmônica entre Precision e Recall, balanceada para multiclasse Matriz de Confusão: Tabela que mostra predições corretas e incorretas por classe
Por que essas métricas?
- Accuracy: Baseline fundamental para comparação
- Precision: Evita falsos positivos (ex: classificar Petrol como Hybrid)
- F1-Score: Balanceia performance em dataset com classes desbalanceadas (Hybrid é menos comum)
- Matriz de Confusão: Permite análise detalhada de erros por classe específica
Weighted Average: Pondera cada classe pelo número de amostras, adequado para classificação multiclasse (Diesel, Petrol, Hybrid).
Tabela Resumo das Métricas
Árvore de Decisão com Métricas
Accuracy: 0.9831 Precision: 0.9832 F1-Score: 0.9832
Matriz de Confusão Detalhada
Accuracy: 0.9813 Precision: 0.9813 F1-Score: 0.9813 Matriz de Confusão: Linhas: Condição Real (Valores Verdadeiros) Colunas: Condição Predita (Valores Preditos pelo Modelo) Diagonal: Verdadeiros Positivos | Fora da Diagonal: Falsos Positivos/Negativos Diesel Hybrid Petrol Diesel 2214 2 40 Hybrid 0 8 0 Petrol 38 0 1966