Seria legal ter um comentário do que seria o resultado de 95%. Dos dados que utilizamos responde 95% de acerto. Significa que se eu for estudar as informações tenho uma boa chance de ver em quais sites o usuário acessou para comprar o produto. Com isso posso aumentar as vendas, incluindo mais informações nessas páginas.
Oii Fernando, tudo certo por ai?
Desculpa a demora em te dar um retorno.
A acurácia indica a performance geral do modelo e representa a quantidade de acertos geral, dentre todas as classificações, então quanto maior a acurácia, melhor é o seu modelo, sua conclusão está correta!
Em Machine Learning, temos outras métricas tão importantes quanto acurácia e para você avaliar melhor um projeto, é bom sempre analisar outras métricas também, que vemos em outros cursos aqui da plataforma, mas vou explicar quatro métricas muito usadas em ML.
• Matriz de confusão: é uma tabela que indica a quantidade de erros e acertos do modelo, comparando com os resultados esperados. Na matriz temos os Verdadeiros Positivos - classificação correta da classe Positivo, Falsos Negativos - erro em que o modelo previu a classe Negativo quando o valor real era classe Positivo, Falsos Positivos - erro em que o modelo previu a classe Positivo quando o valor real era classe Negativo e Verdadeiros Negativos - classificação correta da classe Negativo.
•Precisão: dentre todas as classificações de classe Positivo que o modelo fez, quantas delas estão corretas, então usamos os verdadeiros positivos e falsos positivos.
•Recall: dentre todas as situações de classe Positivo como valor esperado, quantas estão corretas, usa-se o valor de verdadeiros positivos.
•F1-Score: média harmônica entre precisão e recall.
Obrigada pela sugestão e se ainda ficou alguma dúvida, pode me chamar, ok?
Bons estudos ^^