Precisão de 90% significa 90% de acertos totais?
Não. Significa que 90% dos casos previstos como positivos estavam corretos.
Imersão
ImersãoDois dias para transformar IA em criatividade aplicada. In CompanyO método do IA Lab dentro do seu escritório.Conteúdos abertos
Área do alunosó para alunos
Precision · Positive Predictive Value · Valor Preditivo Positivo
Precisão é a proporção das previsões positivas que realmente pertencem à classe positiva, calculada como verdadeiros positivos divididos por todos os positivos previstos.
A métrica responde: entre os casos que o modelo marcou como positivos, quantos estavam corretos?
Em classificação binária, precisão é TP dividido por TP mais FP. Ela não deve ser confundida com acurácia, que considera todas as classificações.
Cada previsão é comparada com a referência. Verdadeiros positivos entram no numerador, enquanto verdadeiros positivos e falsos positivos formam o denominador.
Alterar o limiar do classificador costuma mudar precisão e recall. A escolha depende do custo de alarmes falsos e casos perdidos.
Um sistema sinaliza 20 documentos como contendo informação confidencial. Se 15 realmente contêm esse conteúdo, a precisão é 15 dividido por 20, ou 75%.
Um modelo pode obter precisão alta fazendo poucas previsões positivas e ainda deixar muitos casos relevantes de fora.
O valor depende do limiar e da frequência da classe no conjunto avaliado, por isso precisa de contexto e intervalo de incerteza.
Classificação, Recall, F1 Score, Matriz de confusão, Conjunto de teste
Não. Significa que 90% dos casos previstos como positivos estavam corretos.
Quando falsos positivos geram custo, risco ou retrabalho relevante, sem ignorar o impacto sobre recall.
Revisado em 2026-10-18.