Leia o fragmento a seguir. “A tarefa de detecção de anomalias é um caso particular de problema de _____, onde a quantidade de objetos da classe alvo (anomalia) é muito inferior à quantidade de objetos da classe normal e, adicionalmente, o custo da não detecção de uma anomalia (_____) é normalmente muito maior do que identificar um objeto normal como uma anomalia (_____)” Assinale a opção cujos itens completam corretamente as lacunas do fragmento acima, na ordem apresentada.
- A)aumento de dimensionalidade – redundância – conflito.
Errada, porque aumento de dimensionalidade não descreve o tipo de problema da detecção de anomalias nem a relação entre os erros citados.
- B)redução de dimensionalidade – ruído – desvio padrão.
Errada, pois redução de dimensionalidade, ruído e desvio padrão não completam a ideia de classe rara com custo desigual dos erros.
- C)análise associativa – discretização – inconsistência.
Errada, já que análise associativa e discretização não têm relação direta com a definição clássica de anomalia apresentada no enunciado.
- D)classificação binária – falso negativo – falso positivo.
Certa, porque detecção de anomalias é tratada como classificação binária com classe minoritária, em que a omissão da anomalia é falso negativo e a acusação indevida de normal é falso positivo.
- E)análise probabilística – conflito – ruído.
Errada, porque análise probabilística, conflito e ruído não correspondem às lacunas do conceito de anomalia descrito.
Gabarito: D
A detecção de anomalias, em mineração de dados, costuma aparecer como um problema de classificação com forte desbalanceamento: quase tudo é classe normal, e poucos registros são anomalias. Isso faz o modelo “apanhar” mais pela raridade do evento do que pela complexidade da regra. Em linguagem de prova, pense em um filtro que precisa achar agulha no palheiro sem chamar o palheiro inteiro de agulha. O ponto central do enunciado é a diferença de custo dos erros. Quando você deixa passar uma anomalia, comete um falso negativo: o evento ruim não foi detectado. Em geral, esse erro é o mais caro em cenários como fraude, intrusão, falha de equipamento ou doença. Já apontar um objeto normal como anômalo é um falso positivo, que incomoda, gera retrabalho, mas costuma ser menos grave. Por isso, o fragmento se completa com “classificação binária - falso negativo - falso positivo”. A lógica é exatamente essa: duas classes, uma delas muito minoritária, e uma assimetria de custos entre errar por omissão e errar por alarme falso. É o tipo de raciocínio que a FGV adora: menos decorar termos soltos e mais perceber a estrutura do problema. Se quiser uma regra rápida para provas, guarde assim: anomalia detectada tarde demais = falso negativo; acusar um normal = falso positivo. Em problemas reais, muitas vezes você até aceita alguns falsos positivos para reduzir o risco de deixar passar uma anomalia importante.