• A

  A acurácia de 97% é suficiente para atestar a qualidade do modelo, pois supera o limiar usual de 95% adotado em auditorias fiscais; o alerta do analista é improcedente, já que a base histórica reflete a realidade populacional e o modelo generaliza bem.

• B

  Como a classe positiva representa apenas 2% da base, um classificador trivial que sempre preveja 'não autuar' obteria acurácia de 98%, superior à do modelo; portanto, a acurácia é inadequada e devem-se priorizar métricas como recall, precisão e F1-score da classe positiva, além de análise da curva precision-recall, para avaliar a real capacidade de identificar contribuintes a serem fiscalizados.

• C

  A acurácia de 97% indica que o modelo possui alto poder discriminatório, mas o analista está correto apenas quanto à necessidade de balancear a base por sobreamostragem da classe positiva; após esse balanceamento, a acurácia volta a ser a métrica mais confiável e suficiente para a implantação.

• D

  O problema apontado pelo analista seria resolvido exclusivamente pelo uso da matriz de confusão, pois ela fornece os valores absolutos de verdadeiros positivos, falsos positivos, verdadeiros negativos e falsos negativos; a partir dela, a acurácia passa a ser uma métrica robusta a desbalanceamentos, dispensando recall e precisão.

• E

  Como o modelo foi avaliado em conjunto de teste, a acurácia de 97% é confiável e o desbalanceamento não afeta a métrica; o analista confunde conceitos de aprendizado não supervisionado com supervisionado, pois apenas no primeiro o desbalanceamento distorce a acurácia.

Atalhos: A–E marca · Shift+letra corta · Enter próxima

Selecione uma alternativa pra criar sua conta e salvar o progresso.