ml-eval-reportlisted

# Skill: ml-eval-report Gera relatorio completo de avaliacao de modelo de Machine Learning. ## Passos ### 1. Identificar modelo e dados - Localizar modelo treinado (pickle/joblib) ou codigo de treinamento - Identificar conjunto de teste (X_test, y_test) - Verificar tipo de problema: classificacao binaria, multiclasse, regressao ### 2. Gerar predicoes ```python y_pred = model.predict(X_test) y_prob = model.predict_proba(X_test)[:, 1] # para classificacao ``` ### 3. Metricas - Classificacao binaria ```python from sklearn.metrics import ( roc_auc_score, average_precision_score, classification_report, brier_score_loss, confusion_matrix ) ``` Tabela de metricas: | Metrica | Valor | |---------|-------| | AUROC | | | AUPRC | | | Sensibilidade | | | Especificidade | | | F1-Score | | | Brier Score | | | Accuracy | | ### 4. Graficos Gerar e salvar em `results/`: 1. **ROC Curve** com AUC no titulo 2. **Precision-Recall Curve** com AP no titulo 3. **Confusion Matrix** (heatmap) 4. **Calibration Plot** (observed vs predicted) 5. **Feature Importance** (top 20) 6. **SHAP Summary Plot** (se shap instalado) ### 5. Comparacao de modelos (se aplicavel) Se houver multiplos modelos, gerar tabela comparativa e grafico de barras. ### 6. Salvar relatorio - Metricas em `results/metrics.json` - Graficos em `results/figures/` - Print resumo no terminal ## Convencoes do LABDAPS (datasus-ai-prediction) No pipeline do laboratorio ([datasus-ai-prediction](https://github.com/f