Geral
Aprendizado de Máquina
Semana 7
0

Questão

A estimativa de acurácia é fundamental para avaliar o desempenho de um modelo de aprendizado de máquina. Ela mede a proporção de previsões corretas em relação ao total de amostras testadas. Métodos como validação cruzada ajudam a obter uma estimativa mais confiável, reduzindo o impacto de divisões específicas dos dados.

Em problemas de regressão, assinale a alternativa que reconhece a principal diferença entre o Erro Quadrático Médio (MSE) e o Erro Absoluto Médio (MAD).
A) O MAD é mais sensível a valores extremos (outliers) do que o MSE.
B) O MSE penaliza grandes erros mais fortemente do que o MAD, pois utiliza o quadrado das diferenças.
C) O MAD considera apenas erros positivos, enquanto o MSE considera erros positivos e negativos.
D) O MSE calcula a média das diferenças absolutas entre os valores previstos e reais, enquanto o MAD calcula a média dos quadrados dessas diferenças.
E) O MAD considera apenas erros negativos, enquanto o MSE considera erros positivos e negativos.
function vote(questaoId, value) { window.location.href = "/accounts/login/?next=/questao/3687/"; return; fetch(`/vote/questao/${questaoId}/`, { method: 'POST', headers: { 'Content-Type': 'application/json', 'X-CSRFToken': 'f7USlvIdhWXu20f3zboxL0LttRL5HsIIJYzs8Nyp8dL8KCq20axC9uHKJJeu2LH4' }, body: JSON.stringify({ value: value }) }) .then(response => response.json()) .then(data => { if (data.success) { document.getElementById(`score-${questaoId}`).textContent = data.score; const upBtn = document.querySelector(`button[onclick="vote(${questaoId}, 1)"]`); const downBtn = document.querySelector(`button[onclick="vote(${questaoId}, -1)"]`); upBtn.classList.remove('active-up'); downBtn.classList.remove('active-down'); if (data.user_vote === 1) upBtn.classList.add('active-up'); if (data.user_vote === -1) downBtn.classList.add('active-down'); } }); }