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

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 ).