Engenharia de Software · CESPE / CEBRASPE · 2025 | Questão sqc-ce195023

Naive Bayes e a Equação de Classificação

✅ CERTO. A equação apresentada ( $\arg\max\, p(x|y) \cdot p(y)$ ) é de fato utilizada no algoritmo Naive Bayes para realizar a classificação, escolhendo a classe $y$ que maximiza o produto da verossimilhança pela probabilidade a priori. Embora o termo "modelar explicitamente a distribuição real de cada classe" seja impreciso (o modelo estima as distribuições a partir dos dados), a essência está correta: o núcleo do classificador é maximizar $p(x|y) \, p(y)$ , que é proporcional à probabilidade a posteriori $p(y|x)$ .

A Lógica do Naive Bayes

O classificador Naive Bayes aplica o teorema de Bayes:

p(y|x) = \frac{p(x|y) \, p(y)}{p(x)}

Como $p(x)$ é constante para todas as classes, a predição é dada por:

\hat{y} = \arg\max_y \, p(x|y) \, p(y)

Essa é exatamente a equação do enunciado. Portanto, a afirmação está correta.

PEGA ESSA DICA!

Na prova, lembre-se de que Naive Bayes é um algoritmo de aprendizado supervisionado baseado em probabilidades condicionais. A equação $\arg\max \, p(x|y) \cdot p(y)$ representa o critério de decisão (MAP – Maximum a Posteriori). Se a banca disser que "modela explicitamente a distribuição real", entenda que é uma forma de estimar a distribuição dos dados, mas o foco é a classificação.

Gabarito: C – Certo

Questão de Engenharia de Software — Inteligencia Artificial — CESPE / CEBRASPE 2025

Naive Bayes e a Equação de Classificação

A Lógica do Naive Bayes