MédiaMúltipla escolha

Questão de prática de AI-900

Um cientista de dados treina um modelo de classificação para prever se um e-mail é spam ou não. O modelo atinge 98% de precisão no conjunto de teste, mas, após inspeção, ele classifica todos os e-mails como 'não spam' porque o conjunto de dados possui 95% de e-mails que não são spam. Qual é o problema mais provável?

Escolha a melhor resposta.

Resposta correta

  • CDesequilíbrio de dados

Explicação

O modelo atinge 98% de precisão simplesmente prevendo todos os e-mails como 'não spam', o que reflete a classe majoritária de 95% no conjunto de dados. Este é um sintoma clássico de desequilíbrio de classes, onde o modelo aprende a explorar a distribuição distorcida em vez de aprender padrões significativos para distinguir spam de não spam. No Azure Machine Learning, técnicas como SMOTE ou amostragem estratificada são usadas para mitigar esse problema.

Por que cada alternativa está certa ou errada

A

Incorreta

Overfitting

O overfitting ocorre quando um modelo aprende os dados de treinamento muito bem e falha em generalizar, normalmente resultando em uma grande lacuna entre a precisão de treinamento e a de teste. Aqui, a precisão é suspeitosamente alta no conjunto de teste, mas o modelo é trivial, não está com overfitting.

B

Incorreta

Underfitting

O underfitting significa que o modelo falha em capturar padrões de treinamento, produzindo baixa precisão em ambos os conjuntos; aqui a precisão de treinamento é alta e as previsões são constantes, indicando desequilíbrio de classes. O underfitting seria o diagnóstico quando um modelo é muito simples para aprender o sinal subjacente.

C

Correta

Desequilíbrio de dados

Com 95% de e-mails que não são spam, um modelo que prevê a classe majoritária atinge 95% de precisão enquanto não detecta nenhum spam. A distribuição distorcida das classes permite que o modelo minimize a perda ignorando a classe minoritária, portanto a precisão engana. A reamostragem ou a ponderação de classes resolvem esse desequilíbrio.

D

Incorreta

Erro de escala de recursos

A escala de recursos afeta a velocidade de convergência e algoritmos baseados em distância, não a decisão de prever uma classe para cada entrada; a classe majoritária de 95% impulsiona esse comportamento. Erros de escala seriam os culpados quando recursos em faixas muito diferentes distorcem um modelo como k-NN ou SVM.

Para se aprofundar

O desequilíbrio de classes ocorre quando uma classe supera significativamente outra, de modo que um modelo pode atingir alta precisão prevendo sempre a classe majoritária. Com 95% de não spam, um classificador trivial que rotula tudo como não spam atinge 95% de precisão enquanto não detecta nenhum spam, que é exatamente a falha descrita. A precisão é enganosa sob desequilíbrio; métricas como precisão, recall, F1 e AUC-ROC na classe minoritária revelam o problema. Um comportamento sutil que vale a pena conhecer é que técnicas de reamostragem como SMOTE, ponderação de classes ou ajuste de limiar podem ajudar, mas devem ser aplicadas apenas aos dados de treinamento para evitar vazamento para a validação. Isso é importante na detecção de fraudes, diagnóstico médico e filtragem de spam, onde a classe minoritária é geralmente a de interesse real.

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.