Independentemente da base sendo trabalhada é importante relembrar de um conceito chamado garbage in, garbage out: algoritmos de ML aprendem em cima...

Independentemente da base sendo trabalhada é importante relembrar de um conceito chamado garbage in, garbage out: algoritmos de ML aprendem em cima de uma base em que os humanos fornecem. Ainda que a ideia possa soar interessante, por enquanto, os algoritmos ainda não conseguem adivinhar o que nós pensamos e, ainda, procurar novos dados da internet sem supervisão alguma. Dessa maneira, pode-se realizar uma análise de dados exploratória para a avaliação dos modelos. Diante deste contexto, assinale a única afirmativa CORRETA sobre a avaliação dos modelos. I. A matriz de confusão é uma ferramenta poderosa na preparação das bases de dados com a finalidade de evitar o "garbage in, garbage out". II. Para avaliar se um algoritmo está bom ou ruim a única métrica usada é o erro médio absoluto (MAE). III. Treinar um modelo, é importante avaliarmos se ele está funcionando como esperado (ou não). IV. Os testes estatísticos não podem ser usados para medir a performance de algoritmos de aprendizagem não-supervisionada. É correto apenas o que se afirma em


A II.
B III.
C I e III.
D IV.
E I.