Question

No desenvolvimento de um modelo preditivo para a detecção de fraudes em transações financeiras, um Analista de Ciência de Dados observa que o conjunto de dados original apresenta um severo desbalanceamento de classes. Para garantir que o modelo seja avaliado de forma justa e que as métricas de desempenho reflitam a capacidade real de generalização tanto para a classe majoritária quanto para a minoritária, o analista deve selecionar uma estratégia de validação cruzada adequada. Considerando as propriedades dos métodos de reamostragem, assinale a abordagem de validação cruzada mais indicada para esse cenário.

Accepted Answer

C) Validação cruzada estratificada (stratified k-fold), dado que ela preserva a proporção original das classes em cada um dos folds de treino e de teste ao longo do processo.

Answer

A) Validação cruzada k-fold convencional, pois garante que cada observação do conjunto de dados seja utilizada exatamente uma vez tanto para o treinamento quanto para o teste.

Answer

B) Validação cruzada leave-one-out (LOOCV), visto que a exclusão de apenas uma amostra por iteração reduz o viés associado à estimativa do erro e atenua o impacto do desbalanceamento.

Answer

D) Validação cruzada por blocos, (block cross-validation), porque a segregação aleatória dos dados em subconjuntos independentes mitiga a variância gerada pela disparidade entre as classes.

Answer

E) Validação cruzada repetida (repeated k-fold), uma vez que a execução do particionamento aleatório por múltiplas vezes altera a distribuição das classes e corrige o desbalanceamento.

Mais questões de Aprendizado de máquina