Matemática — Estatística Múltipla Escolha

Uma alternativa para medir performance de um modelo de classificação é utilizar matriz de confusão para verificar quantas instâncias da classe “0” foram classificadas como a classe “1” e vice-versa. Para gerar uma matriz de confusão, precisaremos ter um conjunto de previsões para serem comparadas com a variável resposta. Analise as afirmativas abaixo: A matriz de confusão apresenta a comparação entre os valores reais e os valores previstos por um modelo supervisionado. II. Os valores reais positivos, previstos como tal, são chamados de Falso Positivo (FP). III. Os valores reais negativos, previstos como negativos, são chamados de Falso Negativo (FN).

Uma alternativa para medir performance de um modelo de classificação é utilizar matriz de confusão para verificar quantas instâncias da classe “0” foram classificadas como a classe “1” e vice-versa. Para gerar uma matriz de confusão, precisaremos ter um conjunto de previsões para serem comparadas com a variável resposta. Analise as afirmativas abaixo:

I. A matriz de confusão apresenta a comparação entre os valores reais e os valores previstos por um modelo supervisionado.
II. Os valores reais positivos, previstos como tal, são chamados de Falso Positivo (FP).
III. Os valores reais negativos, previstos como negativos, são chamados de Falso Negativo (FN).

  1. I, e III apenas.
  2. II, e III apenas.
  3. I, apenas.
  4. II, apenas.
  5. I, II e III.

Resolução completa

Explicação passo a passo

A
Alternativa A

Alternativa A - I, e III apenas

Para determinar a resposta correta, é necessário analisar cada afirmação sobre a Matriz de Confusão, uma ferramenta fundamental em aprendizado de máquina para avaliar modelos de classificação.

Análise das Afirmações

Afirmação I: "A matriz de confusão apresenta a comparação entre os valores reais e os valores previstos por um modelo supervisionado."

  • Correta. A matriz de confusão é utilizada especificamente para comparar o que o modelo previu com o que realmente aconteceu (valores reais/ground truth). Ela exige um conjunto de dados onde as respostas verdadeiras são conhecidas, típico de problemas supervisionados.

Afirmação II: "Os valores reais positivos, previstos como tal, são chamados de Falso Positivo (FP)."

  • Incorreta. Se um valor é Realmente Positivo e o modelo o prevê corretamente como Positivo, isso é chamado de Verdadeiro Positivo (TP).
  • O termo Falso Positivo (FP) ocorre quando o valor é Realmente Negativo, mas o modelo erra e o prevê como Positivo.

Afirmação III: "Os valores reais positivos, previstos como negativos, são chamados de Falso Negativo (FN)."

  • Correta. Quando o valor é Realmente Positivo, mas o modelo falha e o classifica como Negativo, cometemos um erro de "falso negativo". Isso significa que o modelo "negou" algo que era positivo.

Resumo dos Conceitos (Matriz de Confusão)

CenárioValor RealPrevisão do ModeloResultado
Verdadeiro Positivo (TP)Positivo (+)Positivo (+)Acerto
Falso Positivo (FP)Negativo (-)Positivo (+)Erro (Alerta falso)
Falso Negativo (FN)Positivo (+)Negativo (-)Erro (Omissão)
Verdadeiro Negativo (TN)Negativo (-)Negativo (-)Acerto

Conclusão

Considerando a análise acima:

  • A afirmação I está correta.
  • A afirmação II está incorreta (confunde TP com FP).
  • A afirmação III está correta.

Portanto, a alternativa que contém apenas as afirmações I e III é a correta.

Tem outra questão para resolver?

Resolver agora com IA

Mais questões de Matemática — Estatística

Ver mais Matemática — Estatística resolvidas

Tem outra questão de Matemática — Estatística?

Cole o enunciado, tire uma foto ou descreva o problema — a IA resolve com explicação completa em segundos.