A.4 · Aprendizado de máquina

Foco SL suportado. Primeiro avaliação 2027 meta; PDF oficial retorna 403; breve antigo adquirido é avaliação final 2026. Guia restante, avaliação e requisitos práticos mantêm seus retenções registradas.

Pré-requisitos: leia as quantidades e unidades declaradas, use aritmética e as condições do modelo abaixo. Cada lição desenvolve seu próprio método antes da transferência independente.

Estes são exemplos didáticos originais ou explicitamente fictícios, não medições reais ou investigações avaliadas concluídas por aprendizes.

O que explicaria esta observação?

• Um modelo pode obter boa pontuação aprendendo atalhos nos dados de treinamento. A avaliação deve testar a tarefa pretendida em exemplos não vistos apropriados.
• Comece com uma previsão. Especifique as quantidades ou características que você compararia, depois decida quais evidências poderiam distinguir duas explicações.

Construa o modelo

• Um banco de dados relacional usa tabelas, chaves e relacionamentos para organizar dados. O aprendizado de máquina estima padrões a partir de dados. Os dados de treinamento e avaliação desempenham papéis diferentes.
• chave primária: Conjunto de atributos que identifica unicamente um registro; vazamento de dados: Uso de informações indisponíveis no momento da previsão pretendida.

Escolha evidências que possam testá-lo

• Uma chave primária identifica unicamente um registro; uma chave estrangeira relaciona registros. Na predição, o vazamento pode expor informações indisponíveis no momento real da decisão. A precisão sozinha pode ocultar uma distribuição desequilibrada do alvo.
• Use registros fictícios de reserva para identificar entidades, atributos e relacionamentos. Para um exercício de aprendizado, use um conjunto de dados público e não sensível, separe os dados de treinamento e teste, e descreva quem pode ser afetado por erros. O escopo atual do objetivo CS 2027 aguarda o guia adquirido.

Trabalhe a partir de quantidades conhecidas

• Indique os valores conhecidos e suas unidades. Escolha a relação porque suas premissas se adequam a este caso, então reorganize antes de substituir.
• Conhecido: um classificador faz 90 previsões corretas entre 100 casos. Precisão = correto/total×100 = 90%. Se 90 casos pertencem a uma classe, prever sempre essa classe resulta na mesma precisão e ainda pode falhar em todos os casos da classe minoritária.

Exemplo:

Um modelo faz 72 previsões corretas de 80. Encontre a porcentagem de precisão. Use a mesma sequência: quantidades conhecidas → modelo → relação → substituição → unidade e interpretação.

Verifique a conclusão e seus limites

• Alta precisão não é evidência de equidade ou compreensão causal. Uma chave primária de banco de dados não é simplesmente qualquer campo que pareça importante.
• Retorne à observação original. Explique o que o resultado apoia, quais condições ele assume e uma maneira de testar uma explicação concorrente.

Atenção:

Um classificador com 90% de precisão deve tratar todas as classes igualmente bem. Esta afirmação é falsa: Alta precisão não é evidência de equidade ou compreensão causal. Uma chave primária de banco de dados não é simplesmente qualquer campo que pareça importante.

Chave:

Modelos de dados e aprendizado de máquina responsável: Uma chave primária identifica unicamente um registro; uma chave estrangeira relaciona registros. Na predição, o vazamento pode expor informações indisponíveis no momento real da decisão. A precisão sozinha pode ocultar uma distribuição desequilibrada do alvo.

Rastreio executável e limite

tp, fn, fp, tn = 4, 1, 10, 85
total = tp + fn + fp + tn
accuracy = (tp + tn) / total
recall = tp / (tp + fn) if tp + fn else None
print(accuracy, recall)
positives = 0
print(0 / positives if positives else "UNDEFINED")

Saída esperada:

0.89 0.8
UNDEFINED

Precisão divide previsões corretas por todos os casos; recall positivo divide verdadeiros positivos por reais positivos. Sem casos positivos, o recall é indefinido, não zero. O conjunto de dados é fictício, sem modelo treinado ou dados pessoais.