Questão de Algoritmos e Estrutura de Dados — Algoritmos — CESPE / CEBRASPE 2024
Algoritmos e Estrutura de Dados›Algoritmos
Código
ce175999
Banca
CESPE / CEBRASPE
Órgão
LNA
Ano
2024
Nível
Superior
Cargo
Tecnologista – Especialidade: Desenvolvimento e Arquitetura de Software
A análise de componente principal (PCA — principal component analysis) é uma técnica utilizada no processo de análise e classificação por aprendizagem de máquina. A PCA
Aé equivalente à realização da transformada de Dropout, quando aplicada no conjunto de validação.
Btransforma variáveis discretas em coeficientes descorrelacionados, sendo, também, conhecida como transformada discreta de KLT (Karhunen-Loève).
Chabilita, no modelo, o uso do early stopping.
Drealiza a transformação de uma variável do domínio do tempo discreto para o domínio da frequência complexa.
Eé utilizada para permitir o sobreajuste nos dados de treinamento.
Revelar gabarito e comentário▾
GabaritoB — transforma variáveis discretas em coeficientes descorrelacionados, sendo, também, conhecida como transformada discreta de KLT (Karhunen-Loève).
Comentário gerado por IA. É um apoio ao estudo, ancorado em fontes, mas pode conter imprecisões — confira sempre na fonte oficial (lei, súmula, edital e gabarito da banca). Encontrou um erro? Use “Reportar”.
Análise de Componentes Principais (PCA)
Gabarito: letra B. A PCA é uma técnica de redução de dimensionalidade que transforma um conjunto de variáveis (usualmente contínuas, mas aplicável a discretas após padronização) em componentes principais descorrelacionados, sendo matematicamente equivalente à transformada de Karhunen-Loève (KLT). As demais alternativas incorretamente associam PCA a Dropout, early stopping, transformada de Fourier e sobreajuste.
Alternativa A — ❌ Incorreta
Afirma que PCA é equivalente ao Dropout. Dropout é uma técnica de regularização usada em redes neurais para prevenir overfitting, sem qualquer relação com a redução de dimensionalidade ou com a estrutura de covariância dos dados. PCA não envolve descarte aleatório de neurônios.
Alternativa B — ✅ Correta ⟵ GABARITO
A PCA transforma variáveis (discretas ou contínuas, desde que numericamente codificadas) em um conjunto de coeficientes descorrelacionados – as componentes principais. Essa transformação é idêntica à transformada discreta de Karhunen-Loève (KLT), que também diagonaliza a matriz de covariância. Embora a PCA seja mais comum com dados contínuos, a equivalência matemática se mantém para dados discretos após normalização.
Alternativa C — ❌ Incorreta
Afirma que a PCA habilita o uso de early stopping no modelo. O early stopping é uma técnica de interrupção antecipada do treinamento de redes neurais (ou outros modelos iterativos) para evitar overfitting, não tendo qualquer relação com a PCA, que é uma técnica de pré-processamento ou de extração de características.
Alternativa D — ❌ Incorreta
Descreve a transformação de uma variável do domínio do tempo discreto para o domínio da frequência complexa. Isso caracteriza a Transformada de Fourier (ou outras transformadas espectrais), e não a PCA. A PCA opera no domínio das variáveis originais, encontrando direções de máxima variância.
Alternativa E — ❌ Incorreta
Afirma que a PCA é usada para permitir o sobreajuste (overfitting). Na verdade, a PCA ajuda a prevenir o overfitting ao reduzir a dimensionalidade dos dados, eliminando ruído e redundância, o que simplifica o modelo e melhora a generalização.
PEGA ESSA DICA!
A PCA é sempre uma técnica não supervisionada, linear e baseada em autovalores/autovetores da matriz de covariância. Lembre-se da equivalência com KLT e das aplicações principais: redução de dimensionalidade, compressão e visualização.