Resposta correta
Explicação
O recall (também conhecido como sensibilidade ou taxa de verdadeiros positivos) mede a proporção de casos positivos reais (transações fraudulentas) que o modelo identifica corretamente. Com 99% de precisão, mas zero verdadeiros positivos, o recall é 0%, o que revela imediatamente a falha completa do modelo em detectar fraudes. No Azure Machine Learning, o painel de métricas de classificação mostraria recall = 0.0 para a classe positiva, destacando esse problema apesar da alta precisão.
Para se aprofundar
Com um desequilíbrio de classe de 99:1, um preditor trivial da classe majoritária atinge 99% de precisão, enquanto seu recall para a classe positiva é exatamente zero, porque o recall é TP/(TP+FN) e não há verdadeiros positivos. A precisão é indefinida ou sem sentido aqui, já que o modelo nunca prevê positivo, e o F1-score também cai para zero, mas o recall é a métrica que expõe diretamente as fraudes perdidas. A precisão é dominada pelos abundantes negativos e esconde a falha. Na prática, as equipes de fraude monitoram o recall juntamente com a AUC de precisão-recall e podem reamostrar, aplicar pesos de classe ou ajustar o limite de decisão para que o modelo realmente sinalize os raros casos positivos que importam financeiramente.
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.