Especialista em Regulação de Serviços Públicos de Telecomunicações – Especialidade: Ciências de Dados
Acerca da avaliação de modelos de classificação, julgue o item que se segue.A acurácia é uma métrica adequada para a avaliação de modelos quando não há desbalanceamento de classes, pois reflete com precisão a capacidade geral do modelo de fazer previsões corretas em todas as classes.
CCerto
EErrado
Revelar gabarito e comentário▾
GabaritoC — Certo
Comentário gerado por IA. É um apoio ao estudo, ancorado em fontes, mas pode conter imprecisões — confira sempre na fonte oficial (lei, súmula, edital e gabarito da banca). Encontrou um erro? Use “Reportar”.
Acurácia em modelos de classificação
✅ CERTO. A acurácia é, de fato, uma métrica adequada quando as classes são balanceadas, pois ela mede a proporção global de acertos do modelo — e, nesse cenário, reflete bem a capacidade geral de previsão. O problema surge justamente quando há desbalanceamento: aí a acurácia pode ser enganosa, pois um modelo que sempre prevê a classe majoritária pode obter alta acurácia sem realmente "aprender" a distinguir as classes. Essa é a ressalva clássica que a banca explora.
A acurácia é definida como a razão entre o número de previsões corretas e o total de previsões:
em que VP = verdadeiros positivos, VN = verdadeiros negativos, FP = falsos positivos e FN = falsos negativos. Quando as classes são balanceadas (proporções semelhantes), esse número resume bem o desempenho geral. Quando uma classe domina (ex.: 95% de uma classe e 5% da outra), um modelo que classifica tudo como a classe majoritária teria acurácia de 95% — mas seria inútil para identificar a classe minoritária. Por isso, em dados desbalanceados, métricas como precisão, recall, F1-score e a área sob a curva ROC (AUC) são mais informativas.
A pegadinha da banca aqui é sutil: o enunciado afirma que a acurácia é adequada "quando não há desbalanceamento de classes" — e isso é exatamente o correto. O candidato apressado pode achar que a afirmação é falsa por pensar que a acurácia nunca é boa, mas a condição "sem desbalanceamento" é o que a torna válida. A banca testa se você conhece a limitação da métrica e a condição em que ela funciona bem.
Condição (classes balanceadas)
Acurácia reflete capacidade geral?
Conclusão
Sim (sem desbalanceamento)
V
V (adequada)
Não (com desbalanceamento)
F
F (inadequada)
NÃO CAIA NESSA!
A banca inverte o raciocínio: muitos candidatos leem "acurácia é adequada" e já marcam errado, achando que a métrica é sempre ruim. Mas a frase traz a condição correta — "quando não há desbalanceamento" — que é exatamente o cenário em que a acurácia é confiável. O erro seria afirmar que ela é adequada mesmo com classes desbalanceadas.