• AA Abordagem I é superior porque redes neurais profundas capturam automaticamente interações complexas entre variáveis, e a acurácia é uma métrica robusta mesmo em cenários desbalanceados, desde que a rede tenha camadas de dropout.
• BA Abordagem II é mais adequada porque o ajuste de pesos compensa o desbalanceamento, e a AUC-ROC avalia a capacidade de discriminação independentemente do limiar de decisão, sendo preferível à acurácia em dados desbalanceados.
• CAmbas as abordagens são equivalentes, pois a escolha da métrica não afeta o desempenho final; o que importa é a capacidade do modelo de minimizar a função de perda, seja entropia cruzada ou impureza de Gini.
• DA Abordagem I é preferível porque a entropia cruzada binária penaliza erros em classes minoritárias de forma mais eficaz que o ajuste de pesos, e a acurácia é a métrica padrão para problemas de detecção de fraude.
• EA Abordagem II é inadequada porque modelos de aprendizado de máquina tradicional não conseguem lidar com dados desbalanceados, sendo necessário o uso de redes neurais profundas com camadas convolucionais para extrair padrões temporais.

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

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