Revisão AV2 - Machine Learning

Na matriz de confusão de um modelo de classificação binária, onde são representados os verdadeiros negativos (TN)?

• Canto superior esquerdo
• Canto superior direito
• Canto inferior esquerdo
• Canto inferior direito
• Fora da matriz de confusão

O que a soma dos elementos de uma linha na matriz de confusão representa?

• Total de instâncias na classe predita
• Total de instâncias na classe real
• Total de instâncias corretamente classificadas
• Total de instâncias incorretamente classificadas
• Acurácia do modelo

Qual é a principal função de uma matriz de confusão em avaliação de modelos de classificação?

• Representar a distribuição das classes no conjunto de treinamento.
• Fornecer informações sobre a acurácia geral do modelo.
• Auxiliar na identificação de overfitting durante o treinamento do modelo.
• Quantificar o desempenho do modelo ao mostrar a relação entre as classificações corretas e incorretas.
• Determinar a complexidade do modelo em relação ao número de features utilizadas.

Como a acurácia é calculada em um problema de classificação binária?

• (Verdadeiros Positivos + Verdadeiros Negativos) / Total de Instâncias
• Verdadeiros Positivos / (Verdadeiros Positivos + Falsos Positivos)
• (Verdadeiros Positivos + Verdadeiros Negativos) / Total de Positivos
• (Verdadeiros Positivos + Falsos Negativos) / Total de Instâncias
• (Falsos Positivos + Falsos Negativos) / Total de Instâncias

Em um problema de classificação com três classes, como a acurácia é calculada?

• Média das acurácias de cada classe.
• Soma das acurácias de cada classe.
• Máxima acurácia entre as classes.
• Soma dos acertos em todas as classes dividida pelo total de instâncias.
• Produto das acurácias de cada classe.

Em um cenário onde as classes estão desbalanceadas, por que a acurácia pode não ser uma métrica ideal para avaliar o desempenho do modelo?

• Porque a acurácia só leva em consideração os verdadeiros positivos.
• Porque a acurácia não considera a proporção entre classes.
• Porque a acurácia é influenciada pela sensibilidade do modelo.
• Porque a acurácia não leva em conta os falsos positivos.
• Porque a acurácia é sempre uma métrica ideal, independentemente do balanceamento das classes.

Se um modelo de classificação tem uma acurácia de 90%, o que isso significa em termos percentuais de erro?

• 90% de erro.
• 10% de erro.
• 9% de erro.
• 1% de erro.
• 100% de erro.

Em um problema de classificação binária, se a acurácia do modelo é 80%, como você interpreta isso em relação ao desempenho geral?

• O modelo está indo bem, pois a acurácia é alta.
• O modelo está indo mal, pois a acurácia deveria ser próxima de 100%.
• Não é possível avaliar o desempenho sem conhecer outras métricas.
• O modelo é perfeito, pois atingiu 80% de acurácia.
• A acurácia não fornece informações úteis sobre o desempenho.

Como o recall é calculado em um problema de classificação binária?

• Verdadeiros Positivos / (Verdadeiros Positivos + Falsos Negativos)
• (Verdadeiros Positivos + Verdadeiros Negativos) / Total de Instâncias
• Verdadeiros Negativos / (Verdadeiros Positivos + Verdadeiros Negativos)
• (Falsos Positivos + Falsos Negativos) / Total de Instâncias
• (Verdadeiros Positivos + Falsos Negativos) / Total de Positivos

Como a precisão é calculada em um problema de classificação binária?

• Verdadeiros Positivos / (Verdadeiros Positivos + Falsos Negativos)
• (Verdadeiros Positivos + Verdadeiros Negativos) / Total de Instâncias
• Verdadeiros Positivos / (Verdadeiros Positivos + Falsos Positivos)
• (Falsos Positivos + Falsos Negativos) / Total de Instâncias
• (Verdadeiros Positivos + Falsos Negativos) / Total de Positivos