Geral
Aprendizado de Máquina
Semana 7
0
Questão
Em
problemas de aprendizado de máquina com dados desbalanceados, a
acurácia isolada pode ser enganosa. Métricas como precisão, recall e
F1-score são mais apropriadas para refletir o desempenho real. Comparar
modelos nessas condições exige atenção a esses fatores para evitar
escolhas inadequadas.
Considere o conceito de precisão (precision) como uma métrica de desempenho em problemas de classificação binária. A precisão é definida como a proporção de verdadeiros positivos (TP) em relação ao total de instâncias classificadas como positivas (a soma de verdadeiros positivos e falsos positivos, FP).
Dado o seguinte cenário em um problema de classificação, analise as medidas a seguir:
function vote(questaoId, value) {
window.location.href = "/accounts/login/?next=/questao/467/";
return;
fetch(`/vote/questao/${questaoId}/`, {
method: 'POST',
headers: {
'Content-Type': 'application/json',
'X-CSRFToken': '8XSbfZ1WKnurWpiu5h59Y1QhP2lQ4g8faEahCUu9CNhcm73fthMrhY1uh1xmmfBs'
},
body: JSON.stringify({ value: value })
})
.then(response => response.json())
.then(data => {
if (data.success) {
document.getElementById(`score-${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');
}
});
}
Considere o conceito de precisão (precision) como uma métrica de desempenho em problemas de classificação binária. A precisão é definida como a proporção de verdadeiros positivos (TP) em relação ao total de instâncias classificadas como positivas (a soma de verdadeiros positivos e falsos positivos, FP).
Dado o seguinte cenário em um problema de classificação, analise as medidas a seguir:
- Total de verdadeiros positivos (TP): estilo mostrar 80
- Total de falsos positivos (FP): estilo mostrar 20
- Total de verdadeiros negativos (TN): estilo mostrar 100
- Total de falsos negativos (FN): estilo mostrar 30