Questão de TI - Ciência de Dados e Inteligência Artificial — Scikit-Learn — FCC 2025
TI - Ciência de Dados e Inteligência ArtificialScikit-Learn
- Código
- fc150378
- Banca
- FCC
- Órgão
- Pref SP
- Ano
- 2025
- Cargo
- Ana ( )
Uma equipe de ciência de dados de uma prefeitura está utilizando um modelo de classificação binária para prever a aprovação de projetos de mobilidade urbana. O desempenho do modelo é avaliado com base em algumas métricas. Considere o seguinte código em Python, que foi executado para calcular as métricas a partir dos rótulos verdadeiros e previstos. from sklearn .metrics import precision_ score, recall score, f1 score # Rótulo verdadeiros dos dados (1 = positivo , O = negativo) t r u e_ labels = (1, O, 1, 1 , O, 1, O, O, 1, O] # Predições do modelo (1 = positiv o , O= negativo) predicted_ labels = (1, O, 1, O, O, 1, 1, O, 1, O] # Calculando as métricas precision = precision_ score( t r u e_ labels , predicted_ l abels) recall = recall_ score(true_ labels , predicted_ labels) fl = fl score(true_ label s , predicted_ labels) # Exibindo os resultados print(f" Precisão : {precision : . 2f} " ) print ( f "Recall : { recall : . 2f} " ) print(f" Fl - Score : {f l: . 2f} " ) Com os dados fornecidos, o código gerou os seguintes resultados: Precisão : 0, 80 , Recall : 0, 80 , Fl-Score : 0, 80. Com base nessas métricas, o modelo
- Aé ótimo para cenários em que precisão não é tão importante quanto recall, como em problemas de emergência pública, pois F1-score é alto.
- Btem precisão aceitável, mas o baixo F1-score sugere um desempenho desequilibrado, com recall bem superior à precisão.
- Capresenta alta precisão, mas o recall é insuficiente, indicando que ele detecta a maioria dos casos positivos, mas também faz muitas classificações incorretas.
- Dapresenta um bom equilíbrio entre precisão e recall, indicando que ele identifica bem os casos positivos e evita erros ao classificar dados negativos.
- Eapresenta baixa precisão e recall, indicando que ele frequentemente erra tanto ao prever positivos quanto ao evitar falsos negativos.