• A

  A aplicação de reamostragem para balancear as classes é sempre recomendada em detecção de anomalias, pois melhora a acurácia global do modelo, independentemente da natureza dos dados.

• B

  O Isolation Forest é um algoritmo supervisionado que requer um conjunto de dados rotulado com exemplos de fraudes e não fraudes; portanto, o ajuste do parâmetro de contaminação é irrelevante para o desempenho.

• C

  O viés observado ocorre porque o Isolation Forest é sensível à escala dos atributos, e rendimentos altos naturalmente se tornam outliers; a solução é normalizar os dados antes do treinamento, sem necessidade de ajustar o parâmetro de contaminação.

• D

  Em detecção de anomalias com dados altamente desbalanceados, a reamostragem pode distorcer a distribuição original e aumentar falsos positivos; a melhor prática é ajustar o limiar de decisão com base na curva precision-recall e validar com métricas adequadas, como o recall para a classe minoritária.

• E

  O parâmetro de contaminação no Isolation Forest define a proporção de anomalias esperadas e deve ser sempre fixado em 0,5 para garantir que o modelo detecte tanto fraudes quanto não fraudes de forma equilibrada.

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

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