Resposta correta
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.
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.