Descrição

Produz um relatório completo de Métodos + Resultados a partir dos resultados de ponderação por entropia + classificação TOPSIS + classificador de ML (XGBoost, Random Forest, Logistic Regression etc.). Classifica corretamente a interpretação da AUC (critérios de Hosmer & Lemeshow) e, se a diferença de desempenho entre treino e teste for grande, declara explicitamente o risco de overfitting. Também antecipa pelo menos 4 objeções que revisores de periódicos costumam fazer (por exemplo, "como o desequilíbrio entre classes foi tratado" e "nenhum conjunto de validação externa foi usado") e sugere uma frase de resposta para cada uma. Indicado para pesquisadores que trabalham com informática em saúde, previsão de risco clínico ou metodologia híbrida MCDM-ML e desejam maior robustez metodológica antes da submissão a um periódico.