🎯 Saiba o que estudar

Avançado com Treinador a partir de R$ 0,76/dia

VER PLANOS 👉

Após treinar um modelo de Deep Learning para classificar do...

Próximas questões
Com base no mesmo assunto
Q3882858
Engenharia de Software Inteligencia Artificial ,
Ano: 2026 Banca: FGV Órgão: AL-RO Prova: FGV - 2026 - AL-RO - Analista Legislativo (Engenharia de Computação) |
Q3882858 Engenharia de Software
Após treinar um modelo de Deep Learning para classificar documentos sigilosos versus documentos públicos, o Engenheiro da Computação precisa avaliar o desempenho do modelo. O custo de classificar erroneamente um documento sigiloso como público (Falso Negativo) é muito maior do que o custo de classificar um documento público como sigiloso (Falso Positivo).

A métrica de classificação mais crítica a ser maximizada nesse cenário de alto custo de Falsos Negativos é a(o)
Alternativas

Gabarito comentado

Confira o gabarito comentado por um dos nossos professores

Gabarito: B

Fundamento decisivo: O enunciado informa que o erro mais grave é o falso negativo ao deixar de identificar um documento sigiloso, que é o positivo relevante no caso. Como recall é dado por TP / (TP + FN), a métrica mais crítica é a que se relaciona diretamente à redução de FN, o que leva ao gabarito B.

Tema central: Recall e falso negativo
Análise das alternativas
A
Errada
Accuracy é inadequada aqui porque mede acerto global e pode esconder desempenho ruim justamente na classe positiva crítica. O critério decisivo da questão não é acerto geral, mas redução de falsos negativos.
B
Certa
A alternativa B está correta porque, quando o custo de falso negativo é o mais alto, a prioridade é maximizar a detecção dos positivos reais. No caso, o positivo relevante é o documento sigiloso, já que o erro crítico é classificá-lo como público. O recall mede exatamente a proporção de positivos reais corretamente identificados, pela razão TP / (TP + FN), sendo a métrica diretamente sensível aos falsos negativos e, por isso, a mais crítica nesse cenário.
C
Errada
Especificidade mede a identificação correta dos negativos reais, pela razão TN / (TN + FP). Portanto, ela se relaciona ao controle de falsos positivos, e não ao erro que o enunciado destaca como mais custoso.
D
Errada
F1-score combina precision e recall e serve para equilibrar as duas dimensões. A questão, porém, não pede equilíbrio entre métricas; ela explicita que falsos negativos têm custo muito maior, o que faz do recall a prioridade.
E
Errada
Precision mede, entre os casos previstos como positivos, quantos realmente são positivos, pela razão TP / (TP + FP). Isso a torna centrada no impacto dos falsos positivos, não na minimização dos falsos negativos apontada como crítica no enunciado.
Pegadinha da questão
A confusão real era trocar recall por precision, porque ambas envolvem TP, ou marcar F1-score por parecer mais completo, ignorando que o enunciado hierarquiza explicitamente o custo dos erros e prioriza o lado dos falsos negativos.
Dica para questões semelhantes
  • Quando o enunciado disser que o pior erro é deixar passar um positivo real, priorize a métrica que depende de FN no denominador: recall.
  • Antes de escolher a métrica, identifique qual rótulo é o positivo relevante a partir do erro descrito no enunciado.
  • Não use accuracy como critério principal quando há assimetria de custo entre falso negativo e falso positivo.
  • Só prefira F1-score quando a necessidade for conciliar precision e recall; se o enunciado destacar um tipo de erro específico, a métrica prioritária é a ligada diretamente a esse erro.

Clique para visualizar este gabarito

Visualize o gabarito desta questão clicando no botão abaixo

Comentários

Veja os comentários dos nossos alunos

OS PROFESSORES DESSA PLATAFORMA NÃO COMENTAM NADA ! DEIXAM OS ASSINANTES NA MÃO, NÃO ESTÃO NEM AÍ PRA NÓS.

A alternativa correta é a B) Recall.

Em problemas de classificação onde o custo de um Falso Negativo (FN) é extremamente alto, o objetivo principal é garantir que o modelo identifique o maior número possível de casos positivos reais, mesmo que isso aumente o número de Falsos Positivos.

O Recall (também conhecido como Sensibilidade ou Revocação) mede a capacidade do modelo de encontrar todos os exemplos da classe positiva. Sua fórmula é:

Recall = TP/TP + FN

Onde:

  • TP (True Positives): Documentos sigilosos classificados corretamente.
  • FN (False Negatives): Documentos sigilosos classificados como públicos (o erro que queremos evitar).

Ao maximizar o Recall, você minimiza o denominador FN(False Negative), garantindo que quase nenhum documento sigiloso "escape" da classificação correta.

  • A) Accuracy (Acurácia): Pode ser enganosa se os dados estiverem desbalanceados. Ela mede o acerto geral, mas não diferencia o peso entre tipos de erros.
  • C) Especificidade: Foca nos Negativos Verdadeiros (documentos públicos classificados como públicos). É o oposto do que o problema pede.
  • D) F1-Score: É a média harmônica entre Precision e Recall. Embora seja uma métrica robusta, ela busca um equilíbrio. No seu cenário, não queremos equilíbrio; queremos priorizar o Recall acima de tudo.
  • E) Precision (Precisão): Foca em reduzir Falsos Positivos. Se você maximizar a precisão, o modelo será muito "cuidadoso" ao classificar algo como sigiloso, o que fatalmente aumentaria o número de Falsos Negativos (o oposto do seu objetivo).

Fonte: Gemini.

O Recall mede a capacidade do modelo de identificar corretamente os casos positivos.

Análise das alternativas

  • A) Accuracy → pode mascarar erros em bases desbalanceadas.
  • B) Recall → correta.
  • C) Especificidade → mede identificação correta dos negativos.
  • D) F1-Score → equilíbrio entre precision e recall.
  • E) Precision → preocupa-se mais com falsos positivos.

Gabarito: B

Clique para visualizar este comentário

Visualize os comentários desta questão clicando no botão abaixo

Questões de assuntos semelhantes

Provas relacionadas