Alternativa D - recall e precisão
Análise da Questão
O texto descreve o processo de validação de um modelo de aprendizado de máquina após o treinamento. Para avaliar o desempenho, utilizam-se métricas quantitativas. Embora a acurácia seja a medida mais intuitiva (porcentagem de previsões corretas), ela nem sempre é suficiente, especialmente em conjuntos de dados desbalanceados.
As métricas complementares mais fundamentais para uma análise robusta são:
- Precisão (Precision): Mede a proporção de previsões positivas que estavam realmente corretas.
\text{Precisão} = \frac{\text{Verdadeiros Positivos}}{\text{Total de Positivos Previstos}} - Recall (Revocação/Sensibilidade): Mede a capacidade do modelo de encontrar todos os casos verdadeiramente positivos existentes nos dados.
\text{Recall} = \frac{\text{Verdadeiros Positivos}}{\text{Total de Positivos Reais}}
Por que as outras alternativas estão incorretas?
- Taxa de acertos: É sinônimo de acurácia. O enunciado pede medidas além da acurácia.
- Taxa de erros: É o complemento da acurácia ($1 - \text{Acurácia}$). Informar o erro não agrega novas informações qualitativas sobre o tipo de falha do modelo.
- Taxa de falsos positivos: É uma métrica específica (usada em Curvas ROC), mas a combinação com Recall não é tão completa quanto o par clássico de Precisão e Recall, que definem o trade-off entre qualidade e cobertura da previsão.
Portanto, além da acurácia, o trio clássico de avaliação de classificadores é composto por precisão e recall.