• A

  O modelo avaliado pela matriz de confusão apresenta acurácia de 0,745 e precisão de 0,140, de modo que, apesar do alto número de falsos positivos, a acurácia é a métrica mais adequada para comparar os dois modelos, pois resume o desempenho global e não é influenciada pelo desbalanceamento entre as classes.

• B

  O modelo avaliado pela matriz de confusão apresenta recall de 0,80 e precisão de 0,140; como o custo de um falso negativo (sonegador não priorizado) tende a ser maior que o de um falso positivo (contribuinte correto priorizado), o recall é uma métrica relevante, mas a decisão entre os modelos não pode prescindir da análise conjunta de precisão, recall e da curva ROC/AUC, pois a AUC de 0,92 do segundo modelo indica boa capacidade de discriminação, porém não informa o ponto de operação escolhido.

• C

  O modelo avaliado pela matriz de confusão apresenta especificidade de 0,742 e precisão de 0,140; como a especificidade mede a proporção de sonegadores corretamente identificados, ela deve ser maximizada em detrimento do recall, pois o objetivo é evitar que contribuintes honestos sejam fiscalizados indevidamente.

• D

  O modelo avaliado pela matriz de confusão apresenta acurácia de 0,745 e F1-score de aproximadamente 0,238; como o F1-score é a média harmônica entre precisão e recall, um valor baixo de F1-score indica necessariamente que o modelo é inútil para a finalidade, devendo ser descartado em favor do modelo com AUC = 0,92, independentemente do ponto de operação adotado.

• E

  O modelo avaliado pela matriz de confusão apresenta recall de 0,80 e especificidade de 0,742; como a curva ROC é construída a partir da taxa de verdadeiros positivos e da taxa de falsos positivos, a AUC de 0,92 do segundo modelo garante que ele terá, em qualquer ponto de operação, precisão superior à do primeiro modelo, o que torna desnecessária a análise da matriz de confusão.

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

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