A avaliação do seu modelo será feita usando o **Equal Error Rate (EER)**, uma métrica amplamente utilizada em biometria e detecção de anomalias. O EER representa o ponto onde as taxas de **falsos positivos (FPR)** e **falsos negativos (FNR)** são iguais, ou seja, o limiar de decisão ótimo no qual o modelo comete a mesma quantidade de erros ao classificar áudios reais como deepfakes e vice-versa.  
![EER](https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F11305053%2F08d90f69643cc84c989e449b6eff0b4a%2Feer.png?generation=1742423888051495&alt=media)


Quanto menor o EER, melhor o desempenho do modelo, pois indica que ele consegue separar bem as classes sem favorecer excessivamente uma delas.  

O EER é determinado analisando a **curva ROC (Receiver Operating Characteristic)** e encontrando o ponto onde:  

$$FPR = FNR$$

Onde:  
- **FPR (False Positive Rate)**: Proporção de áudios reais incorretamente classificados como deepfake.
  
- **FNR (False Negative Rate)**: Proporção de deepfakes incorretamente classificados como reais.  

Em resumo, o **EER mede o equilíbrio entre os erros do modelo** e é ideal para avaliar cenários onde tanto falsos positivos quanto falsos negativos são críticos.