• AA Abordagem I é adequada, pois a acurácia global é uma métrica robusta para conjuntos desbalanceados, desde que o modelo seja uma floresta aleatória, que lida bem com classes minoritárias.
• BA Abordagem II é inadequada, pois a regressão logística não pode ser utilizada após a aplicação de SMOTE, uma vez que a sobreamostragem introduz viés nos coeficientes do modelo, tornando a AUC-ROC inválida.
• CA Abordagem III é adequada, pois o K-means é um algoritmo de aprendizado supervisionado que pode ser utilizado para classificação binária quando se conhece previamente o número de classes.
• DA Abordagem II é adequada, pois o SMOTE gera exemplos sintéticos da classe minoritária, reduzindo o desbalanceamento, e a AUC-ROC é uma métrica apropriada para avaliar modelos em cenários com classes desbalanceadas.
• EA Abordagem I é a mais indicada, pois a floresta aleatória é imune ao problema de desbalanceamento e a acurácia global reflete corretamente o desempenho do modelo na detecção de fraudes.

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

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