1.16.2 EP01_02 πŸ“Š Desempenho Preditivo β€” MΓ©tricas de ML em VC

Nesta atividade, vocΓͺ entrarΓ‘ no mundo do Aprendizado de MΓ‘quina (Machine Learning). Seu objetivo Γ© avaliar o desempenho de um classificador binΓ‘rio calculando mΓ©tricas a partir de uma Matriz de ConfusΓ£o.

1.16.2.1 🧠 Por que a métrica certa importa?

Imagine um detector de moedas de R$ 1,00. O impacto do erro define a mΓ©trica prioritΓ‘ria:

MΓ©trica Exemplo PrΓ‘tico ImportΓ’ncia em PDI/VC
AcurÑcia Contagem de Grãos Útil quando as classes são equilibradas (ex: metade dos grãos com defeito, metade saudÑveis).
Precisão Segurança/Biometria Crucial para evitar Falsos Positivos (ex: não permitir que um impostor acesse um sistema por erro de reconhecimento).
Sensibilidade SaΓΊde (Tumores) Crucial para evitar Falsos Negativos (ex: nΓ£o deixar um tumor passar despercebido em um exame de Raio-X).
F1-score CΓ©dulas de Dinheiro Ideal para um equilΓ­brio entre nΓ£o rejeitar notas verdadeiras e nΓ£o aceitar notas falsas.

1.16.2.2 πŸ“Š A Matriz de ConfusΓ£o

Predita Positiva Predita Negativa
Real Positiva VP (Verdadeiro Positivo) FN (Falso Negativo)
Real Negativa FP (Falso Positivo) VN (Verdadeiro Negativo)

Tarefa:

  1. Leia 4 valores inteiros na ordem: VP, FN, FP, VN.
  2. Calcule as mΓ©tricas utilizando as fΓ³rmulas:

\[\text{AcurΓ‘cia} = \frac{VP + VN}{VP + VN + FP + FN}\]

\[\text{PrecisΓ£o} = \frac{VP}{VP + FP}\]

\[\text{Sensibilidade (Recall)} = \frac{VP}{VP + FN}\]

\[\text{F1-score} = \frac{2 \times \text{PrecisΓ£o} \times \text{Sensibilidade}}{\text{PrecisΓ£o} + \text{Sensibilidade}}\]

  1. Imprima os resultados formatados com duas casas decimais, um por linha.

πŸ“Œ Importante:

1.16.2.3 πŸ“Œ Exemplo de Execução

Entrada Saída Observação
40 0.75 AcurΓ‘cia
10 0.73 PrecisΓ£o
15 0.80 Sensibilidade
35 0.76 F1-score

(Nota: VP=40, FN=10, FP=15, VN=35. Total de casos = 100)

Simulador: desempenho de classificadores

Ajuste os valores da matriz de confusΓ£o e veja as mΓ©tricas calculadas em tempo real.

Entradas

40
10
15
35

Matriz de confusΓ£o

Predita +
Predita βˆ’
Real +
VP40
FN10
Real βˆ’
FP15
VN35

MΓ©tricas calculadas

AcurΓ‘cia

0.75

(VP+VN)/Total

PrecisΓ£o

0.73

VP/(VP+FP)

Sensibilidade (Recall)

0.80

VP/(VP+FN)

F1-Score (Peso em Recall)

0.78

5Β·(PΒ·R)/(4Β·P+R)

Total: 100

FiguraΒ 1.13: Simulador: Desempenho Preditivo β€” MΓ©tricas de ML 
%%writefile EP01_02.py
# sua solução
Writing EP01_02.py
TestSuite("EP01_02.py").run()
βœ”οΈ EP01_02.cases jΓ‘ existe em casos/
πŸ“‹ 5 caso(s) carregado(s) de casos/EP01_02.cases

πŸ” Testando Python: EP01_02.py
⚠️ EP01_02.py: Arquivo sem conteúdo (menos de 3 linhas). Testes ignorados.