• A

  A alta acurácia decorre do desbalanceamento entre as classes, pois o modelo tende a classificar quase todos os exemplos como 'não sonegador'. Uma ação adequada é utilizar técnicas de reamostragem, como sobreamostragem da classe minoritária ou subamostragem da majoritária, para equilibrar o conjunto de treinamento.

• B

  A alta acurácia é resultado do overfitting, pois o modelo memorizou os dados de treinamento. Para corrigir, deve-se aumentar a complexidade do modelo, adicionando mais camadas ocultas em uma rede neural.

• C

  A baixa precisão e recall indicam que o modelo está subajustado (underfitting). A solução é reduzir a quantidade de atributos (features) utilizados, simplificando o modelo.

• D

  O problema está na escolha da métrica: a acurácia é inadequada para conjuntos desbalanceados, mas a precisão e o recall também não são confiáveis. O correto é utilizar apenas a métrica F1-score, que é imune ao desbalanceamento.

• E

  A alta acurácia ocorre porque o modelo aprendeu corretamente os padrões dos sonegadores, mas a precisão e o recall são baixos devido a erros de rotulagem nos dados. A ação adequada é revisar manualmente todos os rótulos do conjunto de treinamento.

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

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