Carregando...
Carregando...
Carregando...
Em problemas de aprendizado de máquina com dados desbalanceados, a acurácia isolada pode ser enganosa. Métricas como precisão, recall e F1-score são mais apropriadas para refletir o desempenho real. Comparar modelos nessas condições exige atenção a esses fatores para evitar escolhas inadequadas.
Considere o conceito de precisão (precision) como uma métrica de desempenho em problemas de classificação binária. A precisão é definida como a proporção de verdadeiros positivos (TP) em relação ao total de instâncias classificadas como positivas (a soma de verdadeiros positivos e falsos positivos, FP).
Dado o seguinte cenário em um problema de classificação, analise as medidas a seguir:
Neste sentido, assinale a alternativa que apresenta o valor da precisão (precision).
Explique melhor esta questão
Abre o Tutor com o enunciado e as alternativas já no campo — você revisa e envia.
Alternativa D - [Valor da Precisão].
A Precisão (Precision) é uma métrica crucial em problemas de classificação, especialmente quando o custo de um falso positivo é alto.
Diferente da acurácia, que olha o acerto global, a precisão foca na qualidade das predições positivas feitas pelo modelo.
A fórmula matemática para o cálculo da precisão é: Precisão = TP ÷ (TP + FP)
Onde:
Ao aplicar os valores das métricas obtidas no cenário do problema, o cálculo resulta no valor contido na alternativa D.
A precisão indica quanto o modelo é confiável quando ele diz que um dado pertence à classe positiva.
Alternativa D.
Nenhuma questão relacionada foi encontrada para esta pergunta.
Adicionar Questão