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:

Total de verdadeiros positivos (TP): * Total de falsos positivos (FP): * Total de verdadeiros negativos (TN): * Total de falsos negativos (FN):

Neste sentido, assinale a alternativa que apresenta o valor da precisão (precision).

Feedback

Aprendizado De Maquina

Precisa de conforto para estudar? 📚

Móveis Planejados de Alto Padrão | Marcenaria RGM

Precisa de conforto para estudar? 📚

Móveis Planejados de Alto Padrão | Marcenaria RGM

Quer divulgar sua marca aqui?

Em problemas de aprendizado de máquina com dados desbalanceados, a acurácia isolada pode ser enganos...

Precisa de conforto para estudar? 📚

Veja também no Blog

Os 4 Pilares do Pensamento Computacional: Guia Definitivo

Coeficiente de Rendimento (CR) na UNIVESP: Como Funciona e Como Calcular

Como Acessar e Usar o Novo AVA Canvas UNIVESP 2026