Precisão

Precision

Métrica

Básico

Categoria: Evals, testes e métricasSubcategoria: Métricas de classificação

O que significa

É a proporção de acertos entre os casos que o modelo marcou como positivos. Responde à pergunta: “de tudo o que o modelo apontou, quanto estava certo?”. Mede o custo do falso alarme. Precisão baixa significa muitos falsos positivos: clientes legítimos barrados, alertas que ninguém precisava ver, itens irrelevantes no topo de uma busca. É a métrica que importa quando o erro visível ao usuário é o modelo apontar algo que não deveria.

Como usar na prática de produto

Em Produto, vale priorizar precisão quando o falso positivo é caro ou visível ao cliente: bloqueio indevido, cobrança errada, e-mail legítimo marcado como spam, recomendação irrelevante. Aumentar a precisão costuma reduzir o recall: para apontar só o que tem certeza, o modelo deixa de apontar casos duvidosos. É a tensão central que o limiar administra. Por exemplo, precisão de 0,67 no bloqueio de fraude significa que, de cada 3 clientes bloqueados, 1 era legítimo. Se isso é aceitável ou não, é decisão de produto.

Quando usar este termo ou outro

Use precisão quando o erro que dói é o falso positivo: apontar o que não deveria. Use recall quando o erro que dói é o falso negativo: deixar passar o que deveria apontar. Use F1 quando os dois erros pesam de forma parecida. Uma forma simples de diferenciar: precisão é “quando o modelo aponta, está certo?”; recall é “o modelo aponta tudo o que deveria?”.

Exemplos de aplicação

Fraude: 1 em 3 clientes bloqueados era legítimo, gerando reclamações no balcão.
Spam: e-mails importantes indo para a lixeira por precisão baixa.
Busca: resultados irrelevantes no topo da lista.
Alertas: equipe ignorando alarmes porque a maioria é falsa.
Limiar: subir o limiar para aumentar a precisão, aceitando perder alguns casos.

Como calcular

Fórmula: Precisão = verdadeiros positivos ÷ (verdadeiros positivos + falsos positivos). Passo a passo: 1. Conte quantos casos o modelo marcou como positivos. 2. Entre eles, conte quantos eram positivos de verdade. 3. Divida o segundo pelo primeiro. Exemplo: O modelo marcou 60 transações como fraude; 40 eram fraude de fato. Precisão = 40 ÷ 60 = 0,67. Ou seja, 33% dos clientes bloqueados eram legítimos. Em busca e RAG, a variante é Precision@k: entre os k primeiros resultados, quantos são relevantes, dividido por k. Como interpretar: Precisão de 0,67 significa que 1 em cada 3 alertas é falso. Se cada alerta gera uma ação custosa ou incomoda um cliente, esse número precisa subir, mesmo que o recall caia.

Origem do termo

Recuperação de informação (Kent et al., 1955); adotada pelo ML.

Fonte técnica

Google Machine Learning Crash Course, Classification: precision and recall