MédiaMúltipla escolha

Questão de prática de MLA-C01

Uma empresa está construindo um modelo de detecção de fraudes em um conjunto de dados desbalanceado (99% legítimo, 1% fraudulento). Para melhorar o recall na classe minoritária, eles desejam reamostrar os dados. Qual combinação de técnicas eles devem usar?

Escolha a melhor resposta.

Resposta correta

  • DSMOTE apenas no conjunto de treinamento

Explicação

O SMOTE (Synthetic Minority Over-sampling Technique) gera amostras sintéticas da classe minoritária interpolando entre instâncias minoritarias existentes. Aplicar o SMOTE apenas no conjunto de treinamento evita que amostras sintéticas vazem para o conjunto de teste, o que inflaria as métricas de avaliação e produziria um modelo excessivamente otimista. Esta é a abordagem de reamostragem correta para melhorar o recall em um conjunto de dados de fraude desbalanceado.

Por que cada alternativa está certa ou errada

A

Incorreta

SMOTE em todo o conjunto de dados antes da divisão train/test

Aplicar o SMOTE antes da divisão train/test vaza amostras minoritarias sintéticas para o conjunto de teste, inflando as estimativas de recall porque quase-duplicatas de linhas de treinamento aparecem na avaliação. É tentador porque o SMOTE equilibra genuinamente as distribuições de classes, e estaria correto se aplicado apenas à partição de treinamento após a divisão.

B

Incorreta

Sobreamostragem aleatória da classe minoritária antes da divisão train/test

Duplicar linhas minoritárias antes da divisão coloca cópias idênticas nos conjuntos de treinamento e de teste, portanto o modelo é avaliado em dados que ele já viu. A sobreamostragem aleatória é uma técnica de balanceamento legítima, e estaria correta se confinada ao conjunto de treinamento após a divisão.

C

Incorreta

Subamostragem aleatória da classe majoritária

A subamostragem aleatória sozinha descarta exemplos da classe majoritária, perdendo informações e correndo o risco de subajuste (underfitting); a pergunta pede uma combinação. Estaria correta se emparelhada com um método de sobreamostragem como o SMOTE, que juntos equilibram as classes enquanto retêm dados.

D

Correta

SMOTE apenas no conjunto de treinamento

O SMOTE sintetiza novos exemplos da classe minoritária interpolando entre casos fraudulentos existentes, elevando diretamente o recall na classe de 1%. Aplicá-lo apenas ao conjunto de treinamento preserva a distribuição genuína 99:1 nos dados de validação e teste, prevenindo as estimativas de desempenho infladas que o vazamento de dados de holdout reamostrados causaria.

Para se aprofundar

O SMOTE funciona selecionando uma instância minoritária, encontrando seus k vizinhos minoritários mais próximos (padrão k=5) e criando uma nova amostra ao longo do segmento de linha entre eles. Isso expande a região de decisão minoritária e ajuda classificadores como regressão logística, SVMs e ensembles de árvores a aprender o limite minoritário. Um comportamento subtil: o SMOTE pode gerar amostras ruidosas ou sobrepostas em regiões de classes de alta dimensão ou com forte sobreposição; variantes como Borderline-SMOTE, ADASYN e SMOTE-NC (para recursos categóricos) abordam isso. Além disso, o SMOTE deve ser aplicado dentro de dobras de validação cruzada (por exemplo, via pipelines imblearn) para evitar vazamento durante o ajuste de hiperparâmetros. Cenário do mundo real: uma equipe de fraudes usa um Pipeline do imblearn com o SMOTE aplicado apenas às dobras de treinamento, avaliando então o recall e o PR-AUC no conjunto de teste intacto para refletir o verdadeiro desempenho em produção.

Sobre estas questões de prática

Esta é uma das questões de prática originais de MLA-C01 da Courseiva, escrita para o aprendizado e nunca copiada de provas reais nem de dumps.

Traduzida do original em inglês com IA e conferida quanto ao sentido. Códigos de exame, comandos e nomes de produtos são mantidos como aparecem na prova.