Considerando a aplicação de aprendizado de máquina para monitoramento de florestas, julgue o item a seguir.A maioria das métricas utilizadas para avaliação da qualidade de um classificador em aprendizado de máquina é obtida por meio da matriz de confusão.
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”.
Aprendizado de máquina — Avaliação de classificadores
✅ CERTO. A maioria das métricas de avaliação de classificadores (acurácia, precisão, recall, F1-score, etc.) é de fato calculada a partir dos elementos da matriz de confusão. A matriz de confusão tabula os acertos e erros do modelo em cada classe, fornecendo os valores de verdadeiros positivos, falsos positivos, verdadeiros negativos e falsos negativos, que são a base para essas métricas.
Desenvolvimento: Em aprendizado de máquina supervisionado, especialmente em problemas de classificação, a matriz de confusão é uma ferramenta fundamental. Ela permite visualizar o desempenho do classificador e calcular indicadores como:
Todas essas métricas derivam diretamente da matriz de confusão. Embora haja outras métricas como curva ROC e AUC, a matriz de confusão é a fonte primária para a maioria das métricas de classificação. Portanto, a afirmativa está correta.