Questão de Algoritmos e Estrutura de Dados — Algoritmos — CESPE / CEBRASPE 2025
Algoritmos e Estrutura de Dados›Algoritmos
Código
ce196306
Banca
CESPE / CEBRASPE
Órgão
CAESB-DF
Ano
2025
Nível
Superior
Cargo
Analista de Suporte ao Negócio - Analista de Sistemas
Em relação às árvores de decisão, julgue os itens a seguir.I Essa categoria de algoritmos da análise supervisionada realiza a classificação dos dados em um número limitado de classes, de modo a utilizar apenas os valores das variáveis de entrada como base.II As árvores de decisão são mais apropriadas para dados categóricos e intervalares, portanto, o uso de variáveis contínuas em árvores de decisão requer a discretização, que consiste na transformação de variáveis numéricas contínuas em intervalos ou categorias.III O algoritmo Random Forest utiliza o método bagging para a criação de múltiplas árvores de decisão independentes e combina as previsões para melhorar a precisão e reduzir o risco de overfitting.Assinale a opção correta.
AApenas o item I está certo.
BApenas o item III está certo.
CApenas os itens I e II estão certos.
DApenas os itens II e III estão certos.
ETodos os itens estão certos.
Revelar gabarito e comentário▾
GabaritoE — Todos os itens estão certos.
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”.
Árvores de Decisão – Características e Algoritmo Random Forest
Gabarito: letra E (todos os itens estão certos). Os itens I, II e III descrevem corretamente aspectos fundamentais das árvores de decisão: classificação supervisionada com base em variáveis de entrada, necessidade de discretização para variáveis contínuas, e o uso de bagging pelo Random Forest para criar múltiplas árvores e reduzir overfitting. Todos os itens estão em conformidade com a definição clássica e a prática de aprendizado de máquina.
A banca testa conhecimentos básicos sobre árvores de decisão, um dos algoritmos mais comuns de aprendizado de máquina supervisionado. O item I está respaldado pela definição clássica; o item II, pela prática comum de discretização; o item III, pelo funcionamento do ensemble Random Forest.
Árvores de decisão: Classificação supervisionada (Classes limitadas, Base: variáveis de entrada); Dados (Categóricos e intervalares, Contínuos → discretização); Random Forest (ensemble) (Bagging (bootstrap aggregating), Múltiplas árvores independentes, Combinação das previsões, Reduz overfitting, Melhora precisão)
Item I — ✅ Correto
Afirma que as árvores de decisão realizam classificação em número limitado de classes usando apenas os valores das variáveis de entrada. Isso é exato. Conforme o material de apoio: "As árvores de decisão classificam os dados em um número finito de classes com base nos valores das variáveis de entrada." Portanto, o item está correto.
Item II — ✅ Correto
Diz que as árvores de decisão são mais apropriadas para dados categóricos e intervalares, e que o uso de variáveis contínuas requer discretização. O material de apoio afirma: "Elas são mais apropriadas para dados categorizados e intervalos de dados. Portanto, incorporar variáveis contínuas em uma estrutura de árvore de decisão requer discretização; ou seja, converter variáveis numéricas de valor contínuo em intervalos e categorias." Logo, o item está correto.
Item III — ✅ Correto
Afirma que o algoritmo Random Forest utiliza o método bagging para criar múltiplas árvores de decisão independentes e combina as previsões para melhorar a precisão e reduzir o risco de overfitting. Essa é uma característica bem estabelecida do Random Forest: o bagging (bootstrap aggregating) gera conjuntos de treinamento por amostragem com reposição, treina árvores independentes e combina suas saídas por votação (ou média), o que reduz a variância e o overfitting sem aumentar significativamente o viés. Embora o contexto não mencione explicitamente o Random Forest, esse conhecimento é parte integrante do tema e é correto.
Alternativa A — ❌ Incorreta
Afirma que apenas o item I está certo. Na verdade, os itens II e III também estão corretos. Portanto, a alternativa A é insuficiente.
Alternativa B — ❌ Incorreta
Afirma que apenas o item III está certo. Os itens I e II também estão corretos. Logo, alternativa B é falsa.
Alternativa C — ❌ Incorreta
Afirma que apenas os itens I e II estão certos. O item III também está correto. Alternativa C é, portanto, incompleta.
Alternativa D — ❌ Incorreta
Afirma que apenas os itens II e III estão certos. O item I também está correto. Alternativa D é falsa.
Alternativa E — ✅ Correta ⟵ GABARITO
Afirma que todos os itens estão certos. Conforme demonstrado, os itens I, II e III estão corretos. Portanto, a alternativa E é a única que reflete o conjunto completo de assertivas verdadeiras.
PEGA ESSA DICA!
Em questões de aprendizado de máquina, memorize as principais características dos algoritmos: árvores de decisão (classificação/regressão, discretização necessária para contínuas, fácil interpretação), Random Forest (bagging, múltiplas árvores, redução de overfitting) e a diferença entre supervisionado e não supervisionado. Esses tópicos são recorrentes em provas da CESPE.