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!

Erro tipo 1 = Falso Positivo

Erro tipo 2 = Falso negativo

Recall (Sensibilidade ou Revocação) = Verdadeiro Positivo / (Verdadeiro Positivo + Falso Negativo)

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

Precisão (Precision) = Verdadeiro positivo / (Verdadeiro positivo + Falso Positivo)

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

GAB. C

Comentário extra:

O recall é uma estimativa de quantos valores positivos reais foram realmente classificados como positivos. Repare que usamos os "Falsos Negativos" que nada mais são que positivos reais que foram erroneamente classificados como falsos.

A precisão é utilizada para analisar a quantidade de positivos que foram classificados corretamente.

c-

200 20

40 100

diagonal principal = coisas boas (VP & VN)

abaixo do VP: FP

logo, acima doVN: FN

recall: rev(f)= vp / (vp+fn) -> 200 / 220 = 10/11 ≈ 0.9

precisao: VP / (vp + fp) = 200 / 240 ≈ 0.83