Um modelo de diagnóstico médico foi treinado em um conjunto de dados desbalanceado, onde pacientes saudáveis superam em muito os pacientes doentes. Falsos positivos (rotular incorretamente pacientes saudáveis como doentes) aumentam os custos da empresa. Qual métrica melhor reflete o desempenho do modelo, dada essa preocupação?

A Precisão (Precision) é a métrica mais adequada porque mede a proporção de verdadeiros positivos entre todas as previsões positivas feitas pelo modelo. No contexto de diagnóstico médico, um falso positivo significa rotular incorretamente um paciente saudável como doente, o que gera custos desnecessários. Maximizar a Precisão minimiza esses falsos positivos, garantindo que, quando o modelo prevê "doente", ele esteja correto na maioria das vezes. Recall (Revocação) mede a proporção de verdadeiros positivos que foram corretamente identificados, o que é importante para não perder pacientes doentes, mas não aborda diretamente o problema dos falsos positivos. F1-score é a média harmônica de Precisão e Recall, sendo útil para equilibrar ambos, mas não prioriza a minimização de falsos positivos como a Precisão. A Acurácia (Accuracy) pode ser enganosa em conjuntos de dados desbalanceados, pois um modelo pode ter alta acurácia simplesmente prevendo a classe majoritária (saudáveis) na maioria das vezes.