Questão de Engenharia de Software — Inteligencia Artificial — FGV 2024

Medição de precisão/acurácia em Machine Learning

Gabarito: letra B. O método padrão para medir a precisão ou acurácia de um modelo de Aprendizado de Máquina é o treino e teste (divisão do conjunto de dados em partes para treinar e avaliar o modelo). As demais alternativas referem-se a tipos de modelos, ferramentas de visualização ou paradigmas de aprendizado, não ao método de medição.

A banca testa o conhecimento básico sobre o fluxo de avaliação de modelos: após o treino, aplica-se o modelo nos dados de teste e calculam-se métricas como acurácia. A matriz de confusão é uma ferramenta que exibe os acertos e erros, mas não é o método em si; já o treino e teste é o procedimento que permite obter essas métricas.

Alternativa A — ❌ Incorreta

Regressão é um tipo de problema (previsão de valores contínuos) ou um algoritmo, não é um método para medir acurácia. Acurácia é uma métrica de classificação; em regressão usam-se outras métricas (erro quadrático médio, etc.).

Alternativa B — ✅ Correta ⟵ GABARITO

O método de treino e teste (holdout) ou validação cruzada é o procedimento padrão para estimar a acurácia de um modelo. O modelo é treinado em uma parte dos dados e avaliado em outra, gerando uma estimativa do desempenho em dados não vistos.

Alternativa C — ❌ Incorreta

A matriz de confusão é uma tabela que resume o desempenho de um classificador (verdadeiros positivos, falsos positivos, etc.), mas não é o método para medir acurácia; ela é uma ferramenta de visualização dos resultados obtidos após aplicar o treino e teste.

Alternativa D — ❌ Incorreta

Aprendizagem por reforço é um paradigma de aprendizado (o agente interage com o ambiente e recebe recompensas), e não um método para medir a acurácia de um modelo.

Alternativa E — ❌ Incorreta

Bagging é uma técnica de ensemble (agregação de múltiplos modelos para melhorar a estabilidade), não um método de medição de acurácia. A avaliação ainda requer treino e teste.

Gabarito: letra B.