GabaritoB — Precisão.
Gabarito: letra B. A métrica comumente usada para avaliar o desempenho de um modelo de classificação binária é a Precisão (ou acurácia), que mede a proporção de acertos do modelo. As demais alternativas (MSE, MAE, desvio padrão e taxa de amostragem) são métricas de outros contextos, como regressão ou estatística descritiva, e não se aplicam diretamente à avaliação de classificadores binários.
Em aprendizado de máquina, a avaliação de um modelo de classificação binária (que prevê uma de duas classes, como "spam" ou "não spam") é feita por métricas que comparam as previsões com os rótulos reais. A Precisão (accuracy) é a mais básica e intuitiva: é a razão entre o número de previsões corretas e o total de previsões. Outras métricas comuns incluem Precisão (precision), Recall (sensibilidade), F1-score e a Área sob a curva ROC (AUC). A banca cobra aqui o conhecimento de que métricas como MSE e MAE são usadas para problemas de regressão (prever valores contínuos), não para classificação.
A pegadinha da questão é justamente confundir métricas de regressão com métricas de classificação. O candidato que não domina a distinção pode marcar MSE ou MAE, que são métricas de erro para valores numéricos contínuos, mas não são adequadas para avaliar a qualidade de um classificador binário.
Métrica | Contexto de uso | Adequada para classificação binária? |
|---|---|---|
Erro quadrático médio (MSE) | Regressão (valores contínuos) | Não |
Precisão (accuracy) | Classificação (VP, VN, FP, FN) | Sim |
Erro absoluto médio (MAE) | Regressão (valores contínuos) | Não |
Desvio padrão | Estatística descritiva (dispersão) | Não |
Taxa de amostragem | Amostragem estatística | Não |
O Erro Quadrático Médio (MSE) é uma métrica de regressão, que mede a média dos quadrados dos erros entre valores previstos e reais. Não é usada para avaliar classificação binária, pois a saída de um classificador é categórica (0 ou 1), e o MSE não faz sentido nesse contexto.
A Precisão (accuracy) é a métrica mais comum para avaliar modelos de classificação binária. Ela é calculada como:
onde VP = verdadeiros positivos, VN = verdadeiros negativos, FP = falsos positivos e FN = falsos negativos. É a proporção de acertos sobre o total de previsões.
O Erro Absoluto Médio (MAE) também é uma métrica de regressão, que mede a média das diferenças absolutas entre valores previstos e reais. Não se aplica a classificação binária.
O Desvio Padrão é uma medida de dispersão em estatística descritiva, que indica o quanto os dados variam em torno da média. Não é uma métrica de avaliação de modelos de classificação.
A Taxa de amostragem é um conceito de amostragem estatística, relacionado à proporção da população selecionada para compor a amostra. Não tem relação com a avaliação de desempenho de um classificador.
Para não errar em questões assim, lembre-se: MSE e MAE são para regressão; Precisão, Recall, F1 e AUC são para classificação. Se a questão falar em "classificação binária", descarte imediatamente as métricas de regressão e as medidas de dispersão.
Gabarito: letra B
Link permanente: /questoes/vu112325