Resposta correta
- BPrecision mede a correção das previsões positivas; recall mede a cobertura dos positivos reais
Explicação
A 'precision' mede a proporção de identificações positivas que foram realmente corretas (verdadeiros positivos / (verdadeiros positivos + falsos positivos)), enquanto o 'recall' mede a proporção de positivos reais que foram identificados corretamente (verdadeiros positivos / (verdadeiros positivos + falsos negativos)). No Azure Machine Learning, essas métricas são fundamentais para avaliar modelos de classificação, especialmente ao lidar com conjuntos de dados desbalanceados, pois fornecem percepções distintas sobre o desempenho do modelo.
Para se aprofundar
A 'precision' e o 'recall' são calculados a partir da matriz de confusão. A 'precision' é o número de verdadeiros positivos dividido pelos verdadeiros positivos mais os falsos positivos: de tudo o que o modelo rotulou como positivo, quanto era realmente positivo. O 'recall', ou sensibilidade, é o número de verdadeiros positivos dividido pelos verdadeiros positivos mais os falsos negativos: de tudo o que era realmente positivo, quanto o modelo capturou. Eles se compensam por meio do limite de decisão; abaixar o limite geralmente aumenta o 'recall' e diminui a 'precision'. Uma sutileza é que um modelo pode ter um 'recall' perfeito prevendo positivo para tudo, mas a 'precision' então desmorona. Em um cenário de detecção de fraude, um 'recall' alto limita a fraude perdida, mas inunda os analistas com alarmes falsos, enquanto uma 'precision' alta reduz a fadiga de alertas, mas deixa a fraude passar. A pontuação F1 equilibra os dois e o ponto operacional correto depende do custo relativo de cada tipo de erro.
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.