Questão de Banco de Dados — Banco de Dados — FGV 2024
Banco de Dados›Banco de Dados
Código
fg077299
Banca
FGV
Órgão
CVM
Ano
2024
Nível
Superior
Cargo
Analista - Perfil 7 - Ciência de Dados - Tarde
Visando a maximizar a eficiência de uma equipe de auditores fiscais, um sistema de classificação de documentação foi encomendado à equipe de ciência de dados, com o objetivo de decidir, com base nos documentos obtidos durante uma fiscalização, se um exame detalhado de documentação é ou não necessário.Idealmente, o sistema permitiria aos auditores direcionar mais tempo às auditorias complexas e agilizar a análise dos casos mais simples, otimizando o custo de pessoal e equipamento especializado. Contudo, não examinar detalhadamente um caso complexo pode custar muito caro ao governo, a ponto de anular quaisquer ganhos obtidos usando o sistema com um pequeno número de erros.Considerando esse cenário, e o fato de o sistema de classificação responder apenas “sim” ou “não” quanto à necessidade de exame detalhado, a métrica de classificação a ser maximizada pela equipe que irá implementar o sistema é:
Aacurácia;
Brevocação;
CF1-score;
Dprecisão;
EAUC.
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 classificação em problemas com alto custo de falso negativo
Gabarito: letra B — revocação (recall). No cenário descrito, o custo de não detectar um caso complexo (falso negativo) é muito elevado, podendo anular qualquer ganho de eficiência. A métrica que maximiza a capacidade de identificar corretamente os casos complexos, minimizando falsos negativos, é a revocação (recall), também chamada de sensibilidade ou taxa de verdadeiros positivos.
A questão aborda a escolha da métrica de classificação adequada para um problema onde o erro mais crítico é o falso negativo — um caso complexo classificado como simples, deixando de ser examinado detalhadamente. As métricas disponíveis têm focos diferentes:
Métrica
O que mede
Foco principal
Quando usar
Acurácia
Proporção de acertos totais (VP+VN)/total
Equilíbrio geral
Classes balanceadas e custos iguais
Revocação (Recall)
VP / (VP + FN)
Minimizar falsos negativos
Quando o custo de FN é alto (ex.: doenças graves, fraudes, riscos)
Precisão
VP / (VP + FP)
Minimizar falsos positivos
Quando o custo de FP é alto (ex.: alarmes falsos)
F1-score
Média harmônica entre precisão e revocação
Equilíbrio entre precisão e revocação
Classes desbalanceadas, sem preferência clara
AUC
Área sob a curva ROC
Discriminação geral entre classes
Avaliação global de ranking, independente de threshold
NÃO CAIA NESSA!
O enunciado deixa claro que "não examinar detalhadamente um caso complexo pode custar muito caro", o que aponta diretamente para a minimização de falsos negativos — função da revocação. O candidato desatento pode confundir com precisão (que foca em falsos positivos) ou com acurácia (que não pondera o erro). A banca testa o entendimento do impacto do tipo de erro na escolha da métrica.
Alternativa A — ❌ Incorreta
Acurácia mede o percentual geral de acertos, mas não diferencia o custo de cada tipo de erro. Se a classe positiva (casos complexos) for minoria, a acurácia pode ser alta mesmo falhando em detectá-los — exatamente o que o governo quer evitar.
Alternativa B — ✅ Correta ⟵ GABARITO
Revocação (recall) é a fração de casos complexos que o sistema consegue identificar: . Maximizar essa métrica equivale a minimizar os falsos negativos, que são os erros de maior custo no cenário. Portanto, é a escolha ideal.
Alternativa C — ❌ Incorreta
F1-score é a média harmônica entre precisão e revocação. Embora útil em classes desbalanceadas, ela pondera igualmente precisão e revocação. No problema, a revocação é mais importante que a precisão; portanto, otimizar F1 pode sacrificar revocação em favor de precisão, o que não atende ao objetivo principal.
Alternativa D — ❌ Incorreta
Precisão mede a proporção de casos classificados como complexos que realmente são complexos (). Ela foca em evitar falsos positivos (gastar tempo desnecessário), mas o enunciado destaca que o custo maior é o falso negativo, não o falso positivo. Otimizar precisão pode reduzir falsos positivos, mas aumenta o risco de perder casos complexos.
Alternativa E — ❌ Incorreta
AUC (Area Under the ROC Curve) mede a capacidade do modelo de separar as classes independentemente do threshold, sendo uma métrica de desempenho global. Não reflete diretamente a minimização de falsos negativos para um ponto de corte específico, e pode ser alta mesmo que a revocação em um determinado threshold seja baixa.
PEGA ESSA DICA!
Em problemas de classificação assimétricos (custos diferentes para FP e FN), a escolha da métrica deve refletir o custo do erro mais grave. Memorize: falso negativo custoso → maximize revocação; falso positivo custoso → maximize precisão. Para o cenário de auditoria, onde perder uma fraude ou irregularidade é caro, recall é a métrica-rei.