Questão de Algoritmos e Estrutura de Dados — Algoritmos — CESPE / CEBRASPE 2025
Algoritmos e Estrutura de Dados›Algoritmos
Código
ce194892
Banca
CESPE / CEBRASPE
Órgão
ANM
Ano
2025
Nível
Superior
Cargo
Especialista em Recursos Minerais - Especialidade: Qualquer Área de Formação (Fiscalização e Distribuição de Receita)
Julgue o item a seguir, referente a algoritmos de aprendizado de máquina.O algoritmo K-means garante a otimização dos clusters, independentemente da inicialização dos centroides, desde que a métrica de distância utilizada seja euclidiana, e os dados estejam em um espaço vetorial de baixa dimensionalidade.
CCerto
EErrado
Revelar gabarito e comentário▾
GabaritoE — Errado
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”.
Algoritmo K-means: sensibilidade à inicialização
Gabarito: Errado (E). A afirmação está incorreta. O algoritmo K-means não garante a otimização global dos clusters independentemente da inicialização dos centroides. Ele converge para um mínimo local, que depende fortemente da escolha inicial dos centroides. A métrica euclidiana e a baixa dimensionalidade dos dados não eliminam esse problema — são apenas condições que facilitam o cálculo, mas não asseguram a otimização.
O K-means é um algoritmo iterativo que alterna entre a atribuição de cada ponto ao centroide mais próximo e a atualização dos centroides como a média dos pontos do cluster. Esse processo para em um ponto fixo que é um mínimo local da função de custo (soma das distâncias quadradas dentro dos clusters). Como o problema de encontrar o mínimo global é NP-difícil, o algoritmo é sensível à inicialização. Por isso, na prática, costuma-se executar o K-means múltiplas vezes com diferentes sementes aleatórias ou usar técnicas como K-means++ para uma inicialização mais inteligente.
1Inicialização dos centroides
2Atribuição ao centroide mais próximo
3Atualização dos centroides (média)
4Convergência para mínimo local
LEVEL · soulevel.com.br
PEGA ESSA DICA!
Lembre-se de que o K-means não garante ótimo global. Questões de concurso frequentemente exploram essa sensibilidade à inicialização. Estratégias como múltiplas execuções e K-means++ são formas de mitigar o problema, mas a garantia de otimização é falsa.