• Aa acurácia de 99,2% é enganosa porque, em bases desbalanceadas, ela tende a refletir o desempenho na classe majoritária; o baixo recall (12%) indica que o modelo deixa passar a maior parte dos sonegadores reais, sendo mais adequado avaliar métricas como recall, precision, F1-score e a curva precision-recall, além de ajustar o limiar de decisão ou técnicas de balanceamento.
• Bo modelo é adequado, pois a acurácia de 99,2% supera o patamar mínimo de 95% exigido para modelos de risco fiscal; o recall de 12% é irrelevante porque a base contém poucos positivos e o custo de falsos positivos é sempre maior que o de falsos negativos em auditoria tributária.
• Co baixo recall decorre exclusivamente do uso do CRISP-DM, que não prevê avaliação de modelos; a solução é migrar para o SEMMA, cuja etapa de avaliação prioriza automaticamente a classe minoritária e corrige o desbalanceamento sem necessidade de ajuste de limiar.
• Do alto número de falsos negativos é consequência do excesso de variáveis preditoras e deve ser corrigido apenas com a remoção de atributos correlacionados; a acurácia global permanece a métrica principal, pois o objetivo do projeto é maximizar o percentual total de acertos.
• Ea matriz de confusão não se aplica a problemas de classificação binária com classes desbalanceadas; nesse caso, deve-se usar exclusivamente a análise de componentes principais (PCA) para reduzir a dimensionalidade e, assim, elevar o recall para próximo de 100%.

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

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