MSE e avaliação de modelos de classificação
❌ ERRADO. O MSE (mean squared error) é uma métrica de avaliação de modelos de regressão, não de classificação. Ele mede o erro quadrático médio entre os valores previstos e os observados de uma variável contínua, e não representa a "fidelidade de acerto" em relação a um atributo alvo categórico. Para classificação, as métricas adequadas são acurácia, precisão, recall, F1-score, entre outras.
O enunciado mistura dois conceitos: o MSE, que é típico de regressão, e a avaliação de acurácia, que é típica de classificação. A banca tenta confundir o candidato ao afirmar que o MSE pode ser usado para avaliar o desempenho de assertividade de um modelo de classificação, o que é incorreto. O MSE é calculado como a média dos quadrados das diferenças entre os valores previstos e os reais, sendo uma medida de erro para variáveis contínuas. Já a acurácia é a proporção de acertos em um problema de classificação, calculada a partir da matriz de confusão.
Conceito | Tipo de modelo | Mede | Uso correto |
|---|
MSE (mean squared error) | Regressão | Erro quadrático médio entre valores previstos e observados (variável contínua) | Avaliar desempenho de modelos de regressão |
Acurácia | Classificação | Proporção de acertos (fidelidade de acerto) | Avaliar desempenho de modelos de classificação |
Afirmação do enunciado | Classificação | MSE como "fidelidade de acerto" | Incorreto — mistura métrica de regressão com avaliação de classificação |
Alternativa E — ❌ Incorreta (gabarito)
A afirmativa está errada porque o MSE não é uma medida de avaliação de modelos de classificação. Ele é uma métrica de regressão, que mede a magnitude média dos erros ao quadrado. A "fidelidade de acerto" em classificação é medida por acurácia, precisão, recall, F1-score, entre outras. Portanto, a assertiva é falsa.
Gabarito: letra E (Errado).