Uma empresa financeira implantou um modelo de ML para prever a rotatividade de clientes e tem uma semana de dados de produção. Eles querem medir a precisão com que o modelo prevê a rotatividade em comparação com os resultados reais. Qual métrica eles devem usar?

A pontuação F1 é a métrica mais apropriada porque é ideal para avaliar modelos de classificação, especialmente quando há um desequilíbrio de classes, como na previsão de rotatividade (churn). Ela calcula a média harmônica da precisão (precision) e da revocação (recall), fornecendo um equilíbrio entre identificar corretamente os clientes que vão sair (recall) e evitar falsos positivos (precision). RMSE (Root Mean Squared Error) é usado para modelos de regressão, medindo a magnitude dos erros, não sendo adequado para classificação. ROI (Return on Investment) é uma métrica financeira para avaliar o retorno de um investimento, não a precisão de um modelo de ML. BLEU (Bilingual Evaluation Understudy) score é usado para avaliar a qualidade de traduções automáticas, não sendo relevante para este cenário.