Quanto à avaliação de modelos preditivos, assinale a opção correta.
- A)A taxa de acerto da métrica de classificação é o complemento da taxa de erro; valores próximos de 0 são considerados melhores.
Errada, porque a taxa de acerto é o complemento da taxa de erro, mas valores próximos de 0 não representam bom desempenho nessa métrica.
- B)O gráfico ROC é tridimensional, plotado em um espaço chamado de espaço ROC, com eixos X, Y e Z.
Errada, porque a curva ROC é bidimensional, não tridimensional, e trabalha com dois eixos principais, não com X, Y e Z.
- C)As duas medidas de erro mais comumente utilizadas na métrica de regressão são o potencial erro definido e a distância média, sempre utilizando números negativos.
Errada, porque as métricas mais comuns de regressão são, por exemplo, MAE, MSE e RMSE, e elas não dependem de números negativos como descrito.
- D)Nas métricas de classificação, a taxa de erro varia entre 0 e 1, sendo os valores próximos ao extremo 0 melhores.
Certa, porque a taxa de erro em classificação varia de 0 a 1 e quanto mais perto de 0, melhor o classificador.
- E)Uma forma de avaliar classificadores em problemas complexos, ou seja, que possuem mais de duas classes, é com o uso das curvas ROC (Receiving Operating Characteristics).
Errada, porque a ROC é tradicionalmente associada a classificação binária; em multiclasse, ela exige adaptações e não é o uso direto descrito na alternativa.
Gabarito: D
Na avaliação de modelos preditivos, você precisa separar bem as métricas de classificação das de regressão. Em classificação, a ideia é medir quantas previsões acertam ou erram, e a taxa de erro é justamente a proporção de casos classificados incorretamente. Por isso, ela varia de 0 a 1: quanto mais perto de 0, melhor o modelo. Já a taxa de acerto é o complemento da taxa de erro, então uma sobe quando a outra desce. A alternativa D está correta porque resume exatamente isso: em métricas de classificação, a taxa de erro fica entre 0 e 1, e valores próximos de 0 indicam desempenho melhor. É o tipo de afirmação que a banca gosta, porque é simples e conceitual, sem firula matemática. A curva ROC, por sua vez, é usada para avaliar classificadores binários, analisando a relação entre taxa de verdadeiros positivos e taxa de falsos positivos. Ela não é tridimensional e não usa eixos X, Y e Z. Em problemas com mais de duas classes, a avaliação costuma exigir adaptações, como estratégias one-vs-rest, e a curva ROC clássica não é a solução direta para tudo. Na parte de regressão, aparecem métricas como MSE, RMSE e MAE, todas ligadas ao erro entre valor previsto e valor real, sem essa história de "números negativos" como regra. Ou seja: se a questão falar de classificação, pense em acerto, erro e limites entre 0 e 1; se falar de regressão, pense em distância entre previsto e observado.