///
Uma equipe de ciência de dados de uma prefeitura está utilizando um modelo de classificação binária para prever a aprovação de projetos de mobilidade urbana. O desempenho do modelo é avaliado com base em algumas métricas. Considere o seguinte código em Python, que foi executado para calcular as métricas a partir dos rótulos verdadeiros e previstos.
from sklearn.metrics import precision_score, recall_score, f1_score
# Rótulos verdadeiros dos dados (1 = positivo, 0 = negativo)
true_labels = [1, 0, 1, 1, 0, 1, 0, 0, 1, 0]
# Predições do modelo (1 = positivo, 0 = negativo)
predicted_labels = [1, 0, 1, 0, 0, 1, 1, 0, 1, 0]
# Calculando as métricas
precision = precision_score(true_labels, predicted_labels)
recall = recall_score(true_labels, predicted_labels)
f1 = f1_score(true_labels, predicted_labels)
# Exibindo os resultados
print(f"Precisão: {precision:.2f}")
print(f"Recall: {recall:.2f}")
print(f"F1-Score: {f1:.2f}")Com os dados fornecidos, o código gerou os seguintes resultados: Precisão: 0,80, Recall: 0,80, F1-Score: 0,80. Com base nessas métricas, o modelo