Resposta correta
Explicação
Neste conjunto de dados desbalanceado (90% 'Não', 10% 'Sim'), um modelo que sempre prevê 'Não' atingiria 90% de acurácia, tornando a acurácia uma métrica enganosa. O F1 score é a média harmônica de precisão e revocação (recall), projetada especificamente para avaliar o desempenho de um modelo na classe minoritária, equilibrando falsos positivos e falsos negativos. É a métrica mais informativa aqui porque mede diretamente quão bem o modelo identifica as compras raras 'Sim' sem ser inflacionado pela classe majoritária.
Para se aprofundar
A avaliação de modelos para classificação desbalanceada é sutil porque a métrica de acurácia padrão pode ser enganosamente alta quando a classe minoritária é rara; um modelo que sempre prevê a classe majoritária pode atingir alta acurácia enquanto perde completamente o evento de interesse. Precisão (precision) e revocação (recall) oferecem uma visão mais refinada: precision mede quantos positivos previstos são realmente positivos, enquanto recall mede quantos positivos reais são capturados pelo modelo. F1 score equilibra essas duas medidas usando a média harmônica, que penaliza fortemente valores baixos de qualquer uma delas — por exemplo, se precision ou recall for 0, o F1 se torna 0, mesmo que a outra métrica seja perfeita. Uma sutileza fundamental é que o F1 depende do limite (threshold): ele muda com o ponto de corte de probabilidade usado para converter pontuações do modelo em rótulos de classe, e os profissionais devem ajustar esse limite para corresponder ao custo de negócio de falsos positivos versus falsos negativos. Em contraste, a AUC (ou PR-AUC) resume o desempenho em todos os limites, o que pode ser útil para a seleção de modelos, mas o F1 fornece a métrica operacional que reflete previsões do mundo real em um limite escolhido. Um equívoco comum é que o F1 é universalmente superior; no entanto, em conjuntos de dados extremamente distorcidos, as curvas de precisão-revocação costumam ser mais informativas do que as curvas ROC, porque a taxa de verdadeiro negativo da ROC pode dominar devido ao grande número de exemplos negativos.
Sobre estas questões de prática
Esta é uma das questões de prática originais de AI-900 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.