Ao avaliarmos um modelo preditivo, podemos optar por mensur...

A alternativa correta é a A - sensibilidade.

Vamos entender melhor o contexto da questão. Ao avaliar modelos preditivos, especialmente em problemas de classificação, há várias métricas que podemos usar para medir o desempenho de um modelo. A métrica implementada na função Python apresentada na questão tem como objetivo medir a fração de casos positivos que o modelo identifica corretamente.

Esta métrica é conhecida como sensibilidade, também chamada de recall. Ela é calculada pela fórmula:

Sensibilidade = Verdadeiros Positivos / (Verdadeiros Positivos + Falsos Negativos)

Na representação da função:

return positivo_verdadeiro / (positivo_verdadeiro + negativo_falso)

Neste caso, positivo_verdadeiro é o número de casos positivos que foram corretamente identificados, e negativo_falso é o número de casos positivos que foram incorretamente classificados como negativos.

Vamos agora entender por que as demais alternativas estão incorretas:

B - Acurácia: A acurácia é a proporção de todas as previsões corretas (tanto positivas quanto negativas) sobre o total de casos avaliados. Não se encaixa na função dada porque a acurácia considera todos os verdadeiros positivos, verdadeiros negativos, falsos positivos e falsos negativos.

C - Precisão: A precisão mede a proporção de verdadeiros positivos sobre todos os casos que foram classificados como positivos (verdadeiros positivos + falsos positivos). A função não se refere à precisão porque não considera os falsos positivos.

D - F1-Score: O F1-score é uma média harmônica entre precisão e sensibilidade. Já que a função não calcula a precisão, ela não pode ser usada para determinar o F1-score.

E - Desvio Padrão: O desvio padrão é uma medida de dispersão de dados em relação à média e não se aplica a métricas de desempenho de modelos preditivos dessa forma.

Espero que esta explicação tenha ajudado a esclarecer a questão e a lógica por trás da alternativa correta. Gostou do comentário? Deixe sua avaliação aqui embaixo!

Métricas de avaliação em Machine Learning:

Sensibilidade => VP / (VP+FN)

Acurácia => (VP+VN) / N

Precisão => VP / (VP+FP)

F-score => 2 x (PxS) / (P+S)

--

VP: verdadeiros positivos;

FN: falsos negativos;

FP: falsos positivos;

VN: verdadeiros negativos;

P: precisão;

S: sensibilidade;

N: total de elementos.

--

Gabarito A

GABARITO A

Sensibilidade - Mede qual fração dos positivos nossos modelos identificam.

GRUS, Joel. Data Science do zero: Primeiras regras com o Python. Alta Books Editora, 2016