Para avaliar a performance de um modelo de classificação em um conjunto de dados desbalanceado, é importante escolher uma métrica que leve em consideração a distribuição desigual das classes. Vamos analisar as opções: a) Acurácia - Pode ser enganosa em conjuntos desbalanceados, pois um modelo pode ter alta acurácia simplesmente prevendo a classe majoritária. 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, mas pode não ser tão intuitiva em conjuntos desbalanceados. Dentre as opções, a métrica mais adequada para avaliar a performance de um modelo de classificação em um conjunto de dados desbalanceado é: c) F1-score.