Entenda como diferentes contextos de negócio e objetivos (como ordenação, estimativa ou decisão) são determinantes para escolher qual melhor métrica de qualidade para definir seu modelo de machine learning

Você já se deparou com o momento em que, seguindo boas práticas, você fez vários modelos e agora tem que escolher o melhor para colocar em produção? Pois bem, se sim, você viveu a dúvida: qual medida eu levo em consideração para escolher o melhor modelo?

Antes de entrar nesse questionamento, é importante ter claro que:

“Toda vez que você faz um modelo, que gera uma probabilidade ou dá uma variável binária, existirão várias medidas diferentes que vão ajudar a mensurar quão bom o seu modelo é. E essas medidas não são obrigadas a corroborarem entre si. Elas têm pontos de vista diferentes. Por isso a importância de entender a essência do negócio”, diz Adriana Silva, jedi em Analytics da ASN.Rocks.

Neste vídeo, Adriana parte da premissa de para que serve um modelo e como ele funciona para então decidir qual o melhor a ser escolhido. Essa decisão deve ser feita junto com o time de negócios, afinal são os diferentes contextos de negócios que vão delimitar qual problema precisa ser resolvido e, portanto, qual o modelo que mais se adequa a esse objetivo.

Adriana usa como exemplo prático uma situação em que uma gestora de Relações Humanas (RH) precisa de informações para planejar suas próximas ações. A partir desse cenário, ela explica três objetivos para os quais um modelo de machine learning pode servir: ordenação, decisão e estimativa. 

Ao explicar cada uma das diferentes possibilidades, ela mostra o que seria preciso calcular, qual métrica de qualidade buscar, quais probabilidades estimar e muito mais. 

Confira tudo no vídeo abaixo:

Este conteúdo faz parte da Programaria Sprint Dados: Ampliando as Fronteiras.