Consideramos a ideia de desenvolver um classificador binário para classificar documentos como “posit...

Alternativa A - um modelo viciado que classifica todos os documentos como “negativo” terá uma acurácia muito boa...

Introdução

Na avaliação de modelos de Machine Learning (Classificação), a escolha da métrica de desempenho é crucial, especialmente quando lidamos com conjuntos de dados desbalanceados (onde uma classe é muito mais frequente que a outra).

Desenvolvimento

A Acurácia mede a proporção de predições corretas sobre o total. Em um problema de detecção de plágio, onde 99% dos documentos não são plágio (negativo), um modelo burro que sempre diz "não é plágio" acertará 99% das vezes. Apesar da alta acurácia, o modelo é inútil, pois não detecta nenhum caso positivo (o objetivo do problema).

Análise

• A (Correta): Identifica o paradoxo da acurácia em classes desbalanceadas.
• B (Incorreta): O erro deve ser minimizado no treino, mas sem causar overfitting.
• C (Incorreta): O F1-score é justamente uma das melhores métricas para problemas desbalanceados, pois combina Precisão e Recall.
• D (Incorreta): Embora gere recall máximo, geraria uma precisão péssima, tornando o modelo inviável.
• E (Incorreta): O problema de plágio é naturalmente desbalanceado.

Conclusão

Em cenários de detecção de eventos raros (como plágio, fraude ou doenças), a acurácia é uma métrica enganosa, devendo-se optar por Precision, Recall ou F1-score.

Alternativa A.