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