Questão de Noções de Informática — Inteligência Artificial e Automação — CESPE / CEBRASPE 2025
Noções de Informática›Inteligência Artificial e Automação
Código
ce214855
Banca
CESPE / CEBRASPE
Órgão
SEFAZ-SE
Ano
2025
Nível
Superior
Cargo
Auditor Fiscal Tributário - Tecnologia da Informação
Um modelo de machine learning foi treinado para prever se determinado email é spam ou não. Ao se avaliar o desempenho do modelo, observou-se que a métrica utilizada representava a proporção de exemplos positivos corretamente identificados em relação ao total de exemplos positivos existentes.A partir dessas informações, é correto afirmar que a métrica utilizada no referido modelo de machine learning é denominada
Aespecificidade.
Brevocação.
CF1-score.
Dacurácia.
Eprecisão.
Revelar gabarito e comentário▾
GabaritoB — revocação.
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 Machine Learning
Gabarito: letra B. A métrica descrita – proporção de exemplos positivos corretamente identificados em relação ao total de exemplos positivos existentes – é exatamente a definição de Revocação (Recall) (também chamada de Sensibilidade ou Taxa de Verdadeiros Positivos).
A questão testa o conhecimento das principais métricas de classificação binária, todas derivadas da matriz de confusão (Verdadeiros Positivos – VP, Falsos Negativos – FN, Verdadeiros Negativos – VN, Falsos Positivos – FP).
Real: Positivo
Real: Negativo
Previsto: Negativo
VP (Verdadeiro Positivo)
FP (Falso Positivo)
Previsto: Positivo
FN (Falso Negativo)
VN (Verdadeiro Negativo)
LEVEL · soulevel.com.br
Alternativa A — ❌ Incorreta
A especificidade mede a proporção de negativos corretamente identificados: $ \frac{VN}{VN + FP} $. Confunde-se com a revocação, mas refere-se à classe negativa.
Alternativa B — ✅ Correta ⟵ GABARITO
A revocação (ou recall) é calculada como $ \frac{VP}{VP + FN} $, exatamente o que o enunciado descreve: "proporção de exemplos positivos corretamente identificados em relação ao total de exemplos positivos existentes".
Alternativa C — ❌ Incorreta
O F1-score é a média harmônica entre precisão e revocação: $ 2 \times \frac{precision \times recall}{precision + recall} $. Não é a definição dada.
Alternativa D — ❌ Incorreta
A acurácia mede a proporção de acertos totais (positivos e negativos) sobre o total de exemplos: $ \frac{VP + VN}{VP + VN + FP + FN} $. Não se restringe aos positivos.
Alternativa E — ❌ Incorreta
A precisão mede a proporção de exemplos positivos previstos que são realmente positivos: $ \frac{VP}{VP + FP} $. O denominador são os previstos como positivos, não os positivos reais.
NÃO CAIA NESSA!
Para não confundir, lembre-se: Revocação responde "quantos dos positivos reais eu peguei?" (foco em minimizar falsos negativos). Precisão responde "dos que eu disseram que eram positivos, quantos eram mesmo?" (foco em minimizar falsos positivos). Em problemas como detecção de spam, a revocação alta é desejada para não perder spams verdadeiros.