• AO modelo sofreu overfitting, pois a acurácia de 98% no conjunto de teste indica que ele memorizou os dados de treinamento e não generalizou, sendo necessário aumentar a complexidade do modelo.
• BO modelo apresenta alta precisão, mas baixo recall para a classe minoritária, devido ao desbalanceamento das classes, sendo mais adequado avaliar o desempenho por métricas como recall, precisão e F1-score para a classe de interesse.
• CO modelo está subajustado (underfitting), pois a acurácia de 98% é baixa para um problema de classificação binária, indicando que o algoritmo não conseguiu capturar os padrões dos dados.
• DO modelo sofreu data drift, uma vez que a distribuição dos dados em produção é diferente da distribuição dos dados de treinamento, tornando a acurácia uma métrica irrelevante.
• EO modelo utilizou uma função de perda inadequada para problemas de classificação binária, como o erro quadrático médio, o que impossibilitou o aprendizado da classe minoritária.

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

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