Na avaliação de um modelo de classificação binária para det...

O tema central desta questão é a avaliação de um modelo de classificação binária, utilizando métricas como revocação (ou recall) e precisão. Para resolver a questão, é crucial entender o conceito de matriz de confusão e como calcular as métricas a partir dela.

Nessa matriz, os termos são:

• Verdadeiros Positivos (VP): Casos corretamente identificados como positivos (200).
• Verdadeiros Negativos (VN): Casos corretamente identificados como negativos (100).
• Falsos Positivos (FP): Também chamado de erro tipo I, são casos incorretamente identificados como positivos (40).
• Falsos Negativos (FN): Também chamado de erro tipo II, são casos incorretamente identificados como negativos (20).

Agora vamos calcular as duas métricas:

Revocação (Recall): Mede a capacidade do modelo de identificar todos os casos positivos. Calcula-se como:

Recall = VP / (VP + FN) = 200 / (200 + 20) = 200 / 220 = 0,90

Precisão: Mede a proporção de casos positivos corretamente identificados pelo modelo entre aqueles que ele rotulou como positivos. Calcula-se como:

Precisão = VP / (VP + FP) = 200 / (200 + 40) = 200 / 240 ≈ 0,83

Portanto, a alternativa correta é a C - 0,90 e 0,83.

Vamos agora analisar as alternativas incorretas:

• A - 0,83 e 0,71: Esta alternativa confunde os valores da revocação e precisão, fornecendo um valor incorreto para precisão.
• B - 0,71 e 0,83: Inverte os valores de revocação e precisão, e também usa valores errados.
• D - 0,83 e 0,90: Apresenta os valores corretos, mas na ordem errada, já que a revocação deve vir antes da precisão.

Gostou do comentário? Deixe sua avaliação aqui embaixo!