Suponha que um modelo de classificação binária foi treinado ...
A matriz de confusão é dada por 80 verdadeiros positivos, 85 verdadeiros negativos, 15 falsos positivos (erro tipo 1) e 20 falsos negativos (erro tipo 2).
Nessas condições, o F1-Score do modelo deve ser aproximadamente igual a
F1-score = tp/(tp+1/2*(fp+fn))
F1-score = 80/(80+1/2*(15+20))
F1-score = 0,8116 ~= 0,82
Parabéns pra quem acertou as questões dessa prova. São verdadeiros cientistas da computação.
Não entendi foi nada
Gente, algum curso preparatório ensina isso? Nunca vi esse tipo de conteúdo em material de cursinho...
Informática ou matemática?
Letra C
Eu estou chocado.
Vou pular essa. kkkk
O concurso é para trabalhar na NASA ou ser secretária do James bond?!
Tô na dúvida!
A questão cobra conhecimento sobre Machine Learning (Aprendizado de Máquinas) que é o subconjunto da inteligência artificial (IA) que se concentra na construção de sistemas que aprendem, ou melhoram o desempenho, com base nos dados que consomem.
Existem as métricas de avaliação de um modelo de Machine Learning. A literatura afirmar que existem algumas métricas para avaliar o modelo:
Acurácia: é a quantidade de acertos do nosso modelo dividido pelo total da amostra.
Acurácia = Verdadeiros Positivos + Verdadeiros Negativos / total .
Acurácia = 80+85 / 200 = 80,42
Precisão: de todos os dados classificados como positivos, quantos são realmente positivos.
Precisão = Verdadeiros Positivos / Verdadeiros Positivos + Falsos Positivos
Precisão = 80 / 80 + 15
Precisão = 0,84
Recall: qual a porcentagem de dados classificados como positivos comparado com a quantidade real de positivos que existem em nossa amostra.
Recall = Verdadeiros Positivos / Verdadeiros Positivos + Falsos Negativos
Recall = 80 / 80 + 20
Recall = 0,8
F1-Score: essa métrica une a precisão e recall, a fim de que trazer um número único que determine a qualidade geral do nosso modelo.
F1 = 2 x precisão x recall / precisão + recall
F1 = 2 x 0,84 x 0,8 / 0,84 + 0,8
F1 = 1,344 / 1,64
F1 = 0,8195 ≈ 0,82.
Onde vou aprender isto? Socorro!!!!
Essa era pra nao zerar na prova.. nao, pera.
analista TRIBUTÁRIO??? Isso aí é prova pra analista de TI po44@
F1 Score, fui logo para os que deram verdeiros...
Como os resultados estavam todos altos, então a divisão tinha que acontecer entre os mais altos.
80 + 85 = 165
200/165 = 0,825
Aproximadamente = 0,82...
A vantagem de questões de marcar é que as vezes vc pode jogar os números para ver se encontra um resultado.
In white
O enunciado dessa questão para mim é igual a isto aqui:
Ας υποθέσουμε ότι ένα μοντέλο δυαδικής ταξινόμησης εκπαιδεύτηκε για να διακρίνει τα ανεπιθύμητα email από τα νόμιμα email. Το μοντέλο δοκιμάστηκε σε ένα δοκιμαστικό σύνολο δεδομένων 200 μηνυμάτων ηλεκτρονικού ταχυδρομείου, 100 από τα οποία ήταν ανεπιθύμητα μηνύματα ηλεκτρονικού ταχυδρομείου και τα 100 ήταν νόμιμα.
Ο πίνακας σύγχυσης δίνεται από 80 αληθινά θετικά, 85 αληθινά αρνητικά, 15 ψευδώς θετικά (σφάλμα τύπου 1) και 20 ψευδώς αρνητικά (λάθος τύπου 2). Υπό αυτές τις συνθήκες, το F1-Score του μοντέλου θα πρέπει να είναι περίπου ίσο με
Hahaha o mais engraçado é q mais de 50% acertou...o pessoal, nao vale ver a resposta antes e riscar a correta em, na hora da prova nao vai dar pra fazer isso hahahaha
algum funboy de cursinho dizendo que achou isso no PDF ??? kkkkk
Chutei a questao pra ela não aparecer mais e acertei kkkk.
Noções de informática eles disseram............
É basicamente matemática, basta calcular a porcentagem de e-mails classificados corretamente, que será em torno de 82%, portante 0,82. Nem sei o que é F1-Score, mas é o que deu a entender pelo enunciado.
fiz regra de 3, 200 emais, 80 negativos 85 positivos(165)
200 - 100
165 - x
cerca de 82%
OBS: FAÇO A MINIMA IDEIA DO QUE È F1 SCORE
Erro de tipo ja é dificil em DP, imagina aqui… kkkkk
o cara que elaborou a questao ainda foi legal ao dizer que os erros de tipo 1 sao os "falsos positivos"
Gente? Não sei nem por onde começar!
esperando algum vídeo eheheh
eita que a linguagem dessa questao ta em html
Noções de informática??
tá brincando né kkkkkkkkkkkkkkkkkk, por isso a nota de corte foi 70 vsfd kkkkkkkkkk
Basicamente você teria que saber a fórmula e a matemática pra chegar no resultado, questão referente a matemática e informática ao mesmo tempo.
essa tá em outro patamar.
O tipo de questão que eu ia marcar C de Cristo e ele ia me ajudar. hahaha
Por isso demoraram 10 anos pra fazer o concurso...olha o nível
Tá joia!
Essa questão é de outro assunto, de aprendizado de máquina. É algo dentro da TI.
Essa eu nao sabia nem errar :(
Analista da NASA??????
Para quem não entendeu nada, é só pegar as informações que não possuem 100% de certeza e dividir pelo todo. O resultado será o "nível de certeza" do modelo testado
Os falsos positivos e falsos negativos são como "erros" do modelo
20 + 15 = 35
200-35 = 165
agora é só dividir essa diferença pelo todo
165/200 = 0,825
aproximadamente 0,82
A questão cobra conhecimento sobre Machine Learning (Aprendizado de Máquinas) que é o subconjunto da inteligência artificial.
Eu nem perdi tempo, não vou trabalhar na nasa... Parabéns a quem acertou.
Eu acho que a FGV vai chegar a um ponto que ninguém vai querer se inscrever pra fazer um concurso dela. Só vai fiar só chupando o dedo esperando alguém se inscrever. Torço pelo fim dela!
A FGV não avalia candidato, ela prejudica o candidato! Torço pelo seu fim!
A resposta correta é C), 0,82.
O F1-Score é calculado da seguinte forma:
Onde:
- Precisão = verdadeiros positivos / (verdadeiros positivos + falsos positivos)
- Recall = verdadeiros positivos / (verdadeiros positivos + falsos negativos)
No caso em questão, temos:
- Precisão = 80 / (80 + 15) = 0,85
- Recall = 80 / (80 + 20) = 0,8
Substituindo esses valores na fórmula do F1-Score, obtemos:
O F1 Score é uma métrica que ajuda a visualizar a precisão P e a reconvocação R de um modelo de classificação binária.
Sua fórmula é: F1-Score = 2 * (P * R) / (P + R)
A precisão é a proporção de verdadeiros positivos em relação à soma de verdadeiros positivos e falsos positivos, enquanto a reconvocação é a proporção de verdadeiros positivos em relação à soma de verdadeiros positivos e falsos negativos.
Dados fornecidos na questão:
- Verdadeiros positivos (TP) = 80
- Verdadeiros negativos (TN) = 85
- Falsos positivos (FP) = 15
- Falsos negativos (FN) = 20
Reconvocação = TP / (TP + FN) = 80 / (80 + 20) = 0,8
Substituindo esses valores na fórmula do F1-Score:
F1-Score = 2 * (0,8421 * 0,8) / (0,8421 + 0,8) ≈ 0,82
Gabarito do Professor: Letra C
Conheça nossos planos