{"id":5992,"date":"2026-04-22T13:56:37","date_gmt":"2026-04-22T16:56:37","guid":{"rendered":"https:\/\/thiagorossi.com.br\/blog\/?p=5992"},"modified":"2026-04-22T14:10:12","modified_gmt":"2026-04-22T17:10:12","slug":"validacao-cruzada-e-metricas-com-rubix-ml","status":"publish","type":"post","link":"https:\/\/thiagorossi.com.br\/blog\/validacao-cruzada-e-metricas-com-rubix-ml\/","title":{"rendered":"Valida\u00e7\u00e3o Cruzada e M\u00e9tricas com Rubix ML"},"content":{"rendered":"Tempo de leitura: <\/span> 7<\/span> minutos<\/span><\/span>\n

Valida\u00e7\u00e3o Cruzada e M\u00e9tricas com Rubix ML: Voc\u00ea treinou o seu modelo, ele n\u00e3o disparou erros no terminal e j\u00e1 consegue fazer predi\u00e7\u00f5es. Mas aqui vem a pergunta de um milh\u00e3o de reais: o qu\u00e3o confi\u00e1vel ele realmente \u00e9?<\/strong> Se o seu classificador de curr\u00edculos diz que um candidato \u00e9 “Excelente”, ele est\u00e1 chutando ou baseando-se em padr\u00f5es s\u00f3lidos? Se o seu sistema de detec\u00e7\u00e3o de fraudes deixa passar um ataque, qual o custo disso para o seu neg\u00f3cio?<\/p>\n\n\n\n

Como especialista em Rubix ML<\/strong>, preparei este d\u00e9cimo artigo para levar voc\u00ea al\u00e9m do c\u00f3digo funcional. Vamos entrar no mundo da Valida\u00e7\u00e3o Cruzada e M\u00e9tricas de Performance<\/strong>. \u00c9 aqui que separamos os amadores dos Engenheiros de Machine Learning: aprendendo a auditar a intelig\u00eancia que criamos.<\/p>\n\n\n\n

<\/div>\n\n\n\n

Valida\u00e7\u00e3o Cruzada e M\u00e9tricas: Como Saber se Seu Modelo Rubix ML \u00e9 Bom?<\/h2>\n\n\n\n

Valida\u00e7\u00e3o Cruzada e M\u00e9tricas com Rubix ML: No desenvolvimento web tradicional, fazemos testes unit\u00e1rios para verificar se 2 + 2 = 4<\/code>. No Machine Learning, os testes s\u00e3o probabil\u00edsticos. Um modelo pode ter 99% de acerto nos dados que ele j\u00e1 viu (treino), mas falhar miseravelmente com dados novos. Isso \u00e9 o que chamamos de Overfitting<\/strong>. Para evitar essa armadilha, precisamos de uma metodologia rigorosa de valida\u00e7\u00e3o.<\/p>\n\n\n\n

<\/div>\n\n\n\n

1. O Problema da Mentira dos Dados de Treino<\/h2>\n\n\n\n

Imagine que voc\u00ea est\u00e1 estudando para uma prova e decorou todas as respostas do gabarito de anos anteriores. Na hora do exame real, se as perguntas mudarem um pouco, voc\u00ea reprova. O seu modelo faz o mesmo. Se voc\u00ea test\u00e1-lo com os mesmos dados que usou para trein\u00e1-lo, ele ter\u00e1 uma performance artificialmente alta.<\/p>\n\n\n\n

A solu\u00e7\u00e3o \u00e9 a Divis\u00e3o de Dados (Train-Test Split)<\/strong>, mas para ser profissional, usamos a Valida\u00e7\u00e3o Cruzada (Cross-Validation)<\/strong>.<\/p>\n\n\n\n

<\/div>\n\n\n\n

2. Valida\u00e7\u00e3o Cruzada: O Teste de Estresse<\/h2>\n\n\n\n

A Valida\u00e7\u00e3o Cruzada K-Fold<\/strong> \u00e9 a t\u00e9cnica de elite para garantir que o modelo \u00e9 robusto. Funciona assim:<\/p>\n\n\n\n

    \n
  1. O Rubix ML divide seu dataset em $K$ partes (geralmente 5 ou 10).<\/li>\n\n\n\n
  2. Ele treina o modelo em 4 partes e testa na 5\u00aa.<\/li>\n\n\n\n
  3. Repete o processo 5 vezes, alternando a parte que serve de teste.<\/li>\n\n\n\n
  4. No final, voc\u00ea tem a m\u00e9dia real de performance de todos os testes.<\/li>\n<\/ol>\n\n\n\n
    <\/div>\n\n\n\n

    Exemplo Pr\u00e1tico com Rubix ML:<\/h3>\n\n\n\n

    PHP<\/p>\n\n\n\n

    use Rubix\\ML\\CrossValidation\\KFold;\nuse Rubix\\ML\\CrossValidation\\Metrics\\Accuracy;\n\n$validator = new KFold(5); \/\/ Divide em 5 partes\n$metric = new Accuracy();\n\n$score = $validator->test($estimator, $dataset, $metric);\n\necho \"Acur\u00e1cia m\u00e9dia ap\u00f3s 5 rodadas: \" . ($score * 100) . \"%\";\n<\/code><\/pre>\n\n\n\n
    <\/div>\n\n\n\n
    3. Entendendo as M\u00e9tricas: Al\u00e9m da Acur\u00e1cia<\/h2>\n\n\n\n
    A Acur\u00e1cia<\/strong> (porcentagem de acertos totais) \u00e9 a m\u00e9trica mais famosa, mas \u00e0s vezes ela \u00e9 a mais mentirosa. Imagine um sistema que detecta uma doen\u00e7a rar\u00edssima que atinge 1 em cada 1000 pessoas. Se o modelo simplesmente disser “Ningu\u00e9m est\u00e1 doente” para todo mundo, ele ter\u00e1 99,9% de acur\u00e1cia<\/strong>, mas ser\u00e1 completamente in\u00fatil.<\/p>\n\n\n\n
    Para resolver isso, precisamos entender o quarteto fant\u00e1stico: Precis\u00e3o, Recall, F1-Score e Matriz de Confus\u00e3o<\/strong>.<\/p>\n\n\n\n
    <\/div>\n\n\n\n
    A. Matriz de Confus\u00e3o<\/h3>\n\n\n\n
    Para entender a Matriz de Confus\u00e3o<\/strong> sem dor de cabe\u00e7a, imagine que voc\u00ea \u00e9 o moderador do seu blog e criou um pequeno “rob\u00f4” para te ajudar a identificar Spams<\/strong>.<\/p>\n\n\n\n
    A matriz nada mais \u00e9 do que um quadro de notas para o seu rob\u00f4. Ela compara o que o rob\u00f4 achou<\/strong> que era o coment\u00e1rio com o que o coment\u00e1rio realmente<\/strong> era.<\/p>\n\n\n\n
    <\/strong><\/td>Previsto Positivo<\/strong><\/td>Previsto Negativo<\/strong><\/td><\/tr><\/thead>
    Real Positivo<\/strong><\/td>Verdadeiro Positivo (VP)<\/td>Falso Negativo (FN)<\/td><\/tr>
    Real Negativo<\/strong><\/td>Falso Positivo (FP)<\/td>Verdadeiro Negativo (VN)<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n
    <\/div>\n\n\n\n
    Os 4 Quadrantes da Verdade<\/h3>\n\n\n\n
    Imagine que passamos 100 coment\u00e1rios pelo seu rob\u00f4. A matriz vai organizar os resultados em quatro categorias:<\/p>\n\n\n\n
    <\/div>\n\n\n\n
    1. O Acerto Positivo (Verdadeiro Positivo – VP)<\/strong><\/p>\n\n\n\n