Descrição

Gera um relatório completo de Métodos + Resultados a partir dos resultados da ponderação por entropia, da classificação TOPSIS e de classificadores de ML (XGBoost, Random Forest, Regressão Logística etc.). Classifica corretamente a interpretação da AUC segundo os critérios de Hosmer & Lemeshow e indica claramente o risco de overfitting quando a diferença entre o desempenho de treinamento e de teste é grande. Também identifica antecipadamente pelo menos 4 objeções frequentes de pareceristas de revistas (por exemplo, "como o desequilíbrio entre classes foi tratado" e "não foi utilizado um conjunto de validação externa") e oferece uma frase de defesa para cada uma. Indicado para pesquisadores que trabalham com informática em saúde, previsão de risco clínico ou metodologias híbridas de MCDA-ML e buscam fortalecer a metodologia antes de submeter um artigo a uma revista.