A confusão entre alguns termos técnicos pode nos levar a equívocos e dificultar a comunicação entre alguns profissionais. Por isso, queremos falar sobre a utilização da palavra “assertivo” dentro do contexto da Estatística e da Ciência de Dados, e o porque a expressão “Modelo Assertivo” não existe.
O que é um modelo?
Um modelo estatístico é uma representação matemática ou probabilística de um fenômeno que é usado para descrever, analisar e prever dados. É uma simplificação da realidade que captura as principais relações entre as variáveis relevantes e as expressa também como termos matemáticos ou probabilísticos.
Eles podem ser utilizados para entender a relação entre diferentes variáveis e para prever o comportamento futuro. É uma ferramenta valiosa em muitas áreas, incluindo ciência, engenharia, finanças, saúde, assim como no Direito, onde é usado para responder perguntas, testar hipóteses e auxiliar na tomada de decisões com base em dados.
Existem vários tipos de modelos que podem ser gerados, dos mais simples aos mais complexos. No entanto, o tipo utilizado depende dos dados disponíveis, das questões que precisam ser respondidas e do grau de precisão necessário.
Assertividade vs Acurácia
Em análise de dados, é comum utilizar o termo “acurácia” quando queremos falar sobre o quão preciso um modelo está em relação aos resultados reais. Mas, ainda não é incomum vermos nas redes a expressão “modelo assertivo” como um sinônimo de “modelo acurado”. Será que isso está correto?
O termo “assertivo” carrega consigo um conceito que se aplica mais a habilidades interpessoais, e, segundo o dicionário, significa “uma afirmação categórica; afirmativo”. Mas, um grande equívoco tem acontecido e caído no senso comum, que é de se utilizar esta palavra para se referir a algo que é dado como certo, correto. Assim, podemos imaginar que, quando dizem que um modelo é assertivo, na verdade, o que se quer dizer é que o modelo está certo, preciso.
Por outro lado, a acurácia é um dos indicadores mais utilizados para avaliar a eficácia de um modelo e leva em conta a diferença entre os valores previstos e os valores reais, juntamente com a precisão e revocação, possibilitando a comparação entre diferentes modelos, permitindo identificar qual deles apresenta uma maior proximidade entre as previsões e os verdadeiros resultados. Com isso, tendo um modelo preciso, que corresponde positivamente aos resultados, podemos dizer então que o nosso modelo é acurado.
