## Avaliação: Cross-Entropy Loss

A avaliação do seu modelo será feita usando a cross-entropy loss, uma métrica que mede a diferença entre as probabilidades previstas e as labels reais. Basicamente, ela penaliza seu modelo por estar muito confiante na direção errada. Portanto, o objetivo é minimizar essa perda e fazer com que seu modelo seja assertivo, mas não presunçoso.

## O Problema

Nesta competição, você terá a oportunidade de mergulhar no fascinante mundo da classificação de áudios como reais ou deepfakes. Seu modelo será um verdadeiro detetive digital, atribuindo uma probabilidade a cada áudio de ser uma falsificação. Quanto mais próximo de 1, mais convicto seu modelo estará de que o áudio é uma farsa. E quanto mais próximo de 0, mais o modelo acreditará que o áudio é autêntico.

## Avaliação: Cross-Entropy Loss

A avaliação do seu modelo será feita usando a cross-entropy loss, uma métrica que mede a diferença entre as probabilidades previstas e as labels reais. Basicamente, ela penaliza seu modelo por estar muito confiante na direção errada. Portanto, o objetivo é minimizar essa perda e fazer com que seu modelo seja assertivo, mas não presunçoso.

A cross-entropy loss é definida formalmente como:

$$ \text{CE} = -\sum_{i=1}^{N} y_i \log(\hat{y}_i) + (1 - y_i) \log(1 - \hat{y}_i) $$

Onde:
N é o número de amostras
y_i é a label verdadeira (0 para real, 1 para fake)
y^_i é a probabilidade prevista pelo modelo de a amostra ser fake

Em outras palavras, a cross-entropy loss mede a dissimilaridade entre a distribuição de probabilidade prevista e a distribuição verdadeira.

## O Dataset

Os dados de treinamento estão organizados em duas pastas: `fake` e `real`, cada uma contendo os respectivos arquivos MP3. Então, se você quiser ouvir alguns exemplos de áudios reais e falsos para afinar seus ouvidos, é só mergulhar nessas pastas!

Já o conjunto de testes é um pouco mais misterioso. Todos os áudios estão em uma única pasta, sem labels. É como um jogo de adivinhação, mas com o seu modelo fazendo o trabalho duro.

## Formato de Submissão

Para submeter suas previsões, você precisará criar um arquivo CSV onde cada linha contém o nome do arquivo MP3 da pasta de testes (sem a extensão `.mp3`) e a probabilidade de ser um deepfake. Aqui estão alguns exemplos:
nome_do_arquivo,probabilidade
audio_1,0.2
audio_2,0.8
audio_3,0.5

Nesse exemplo, o modelo prevê que `audio_1` tem 20% de chance de ser um deepfake, `audio_2` tem 80% de chance e `audio_3` tem 50% de chance.

Lembre-se: quanto mais próximo de 1, mais o modelo acredita que o áudio é falso, e quanto mais próximo de 0, mais ele acredita que é real.

Agora é com você! Prepare seus modelos, afine seus ouvidos e vamos desvendar o mistério dos deepfakes de áudio juntos! 🕵️‍♂️🎧