Tendo em vista os recentes avanços da inteligência artificial na bioinformática, julgue o item a seguir.Na detecção e na classificação de elementos transponíveis por aprendizado de máquina, o conjunto de dados pode ser altamente desequilibrado, o que torna inadequadas algumas métricas, como precisão e curvas ROC (receiver operating characteristic).
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”.
Métricas de Avaliação em Dados Desbalanceados
✅ CERTO. Em problemas de classificação com conjuntos de dados altamente desbalanceados — como é comum na detecção de elementos transponíveis em bioinformática —, métricas como precisão e curvas ROC podem se tornar inadequadas. A precisão é fortemente afetada pela distribuição das classes, pois um classificador que sempre prevê a classe majoritária pode obter alta precisão mesmo sem detectar a classe minoritária. Já as curvas ROC (Receiver Operating Characteristic) podem superestimar o desempenho do modelo, pois a taxa de falsos positivos é dominada pelos muitos exemplos da classe majoritária, mascarando a incapacidade de detectar a classe rara.
Nesse contexto, métricas como a curva precisão-recall ou o F1-score são mais indicadas por focarem na classe minoritária. Portanto, a afirmação está correta.