Descrição

Produz um relatório completo de Métodos + Resultados a partir dos seus resultados de ponderação pela entropia + ordenação TOPSIS + classificadores de ML (XGBoost, Random Forest, Regressão Logística, etc.). Interpreta corretamente a AUC (critérios de Hosmer & Lemeshow) e assinala claramente o risco de sobreajustamento (overfitting) quando a diferença entre o desempenho de treino e de teste é elevada. Além disso, identifica antecipadamente pelo menos 4 objeções frequentemente levantadas por revisores de revistas (por exemplo, «Como foi tratada a desproporção entre classes?» e «Não foi utilizado um conjunto de validação externa?») e apresenta uma frase de resposta para cada uma. Adequado para investigadores que trabalham em informática da saúde, previsão de risco clínico ou metodologias híbridas MCDA-ML, e para quem procura robustez metodológica antes da submissão a uma revista.