Para avaliar um modelo de classificação desbalanceada, é importante escolher uma métrica que leve em consideração o desempenho em ambas as classes, especialmente a classe minoritária, que pode ser negligenciada se apenas a acurácia for utilizada. Vamos analisar as opções: a) Acurácia - Pode ser enganosa em conjuntos de dados desbalanceados, pois pode indicar um bom desempenho apenas porque a classe majoritária está sendo prevista corretamente. b) Precisão - Mede a proporção de verdadeiros positivos em relação ao total de positivos previstos, mas não considera a classe negativa. c) F1-Score - É a média harmônica entre precisão e recall, sendo uma boa métrica para conjuntos desbalanceados, pois considera tanto falsos positivos quanto falsos negativos. d) AUC-ROC - Mede a capacidade do modelo de classificar corretamente as classes em diferentes limiares, sendo útil, mas não é uma métrica direta de desempenho em desbalanceamento. Dentre as opções, a métrica mais adequada para avaliar um modelo de classificação desbalanceada é: c) F1-Score.