Engenharia de Software · CESPE / CEBRASPE · 2025 | Questão sqc-ce196316

Engenharia de SoftwareInteligencia Artificial

Código: ce196316
Banca: CESPE / CEBRASPE
Órgão: CAESB-DF
Ano: 2025
Nível: Superior

Cargo: Analista de Suporte ao Negócio - Analista de Sistemas

Acerca das regras de associação e do aprendizado não supervisionado por meio da biblioteca Scikit-learn do Python, assinale a opção correta.

ANo algoritmo Apriori, parâmetros como suporte mínimo e confiança são fundamentais para filtrar e determinar a relevância das regras geradas.
BRegras de associação são aplicáveis nos modelos de aprendizado supervisionado e somente em um modelo de aprendizado não supervisionado.
CO aumento dos valores de suporte mínimo e confiança no algoritmo Apriori tende a aumentar o número de regras geradas.
DO Scikit-learn possui implementação nativa para a extração de regras de associação com base no algoritmo Apriori.
EA métrica lift é utilizada apenas para calcular a frequência dos itens no conjunto de dados, de modo que não é útil para avaliar a relevância das regras geradas.

Revelar gabarito e comentário

GabaritoA — No algoritmo Apriori, parâmetros como suporte mínimo e confiança são fundamentais para filtrar e determinar a relevância das regras geradas.

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”.

Regras de Associação e Apriori no Scikit-learn

Gabarito: letra A. O algoritmo Apriori utiliza parâmetros como suporte mínimo e confiança para gerar regras de associação relevantes a partir de conjuntos de itens frequentes – é exatamente o que a alternativa A afirma.

A questão aborda conceitos de aprendizado não supervisionado (regras de associação) e a biblioteca Scikit-learn. Vamos analisar cada alternativa:

Alternativa A — ✅ Correta ⟵ GABARITO

No Apriori, o suporte mínimo filtra os itens que aparecem com frequência suficiente, e a confiança mede a força da regra. Ambos são essenciais para limitar o número de regras e garantir sua relevância.

Alternativa B — ❌ Incorreta

Afirma que regras de associação se aplicam a modelos supervisionados e somente a modelos não supervisionados. Há contradição: regras de associação são exclusivamente não supervisionadas – não há aplicação em aprendizado supervisionado.

Alternativa C — ❌ Incorreta

Aumentar o suporte mínimo e a confiança reduz o número de regras geradas, pois critérios mais restritivos eliminam combinações menos frequentes ou menos confiáveis. A alternativa inverte o efeito.

Alternativa D — ❌ Incorreta

O Scikit-learn não possui implementação nativa do algoritmo Apriori. Bibliotecas como mlxtend ou apyori oferecem essa funcionalidade.

Alternativa E — ❌ Incorreta

O lift mede a correlação entre itens (se a ocorrência de um aumenta a probabilidade do outro), indo além da mera frequência. É uma métrica útil para avaliar a relevância das regras.

NÃO CAIA NESSA!

A alternativa D é uma armadilha clássica: muitos candidatos assumem que o Scikit-learn, por ser a principal biblioteca de ML em Python, inclui tudo. Mas regras de associação (como Apriori) não fazem parte do núcleo do Scikit-learn. Lembre-se: para Apriori, use mlxtend.frequent_patterns.

Conclusão: A única alternativa correta é a A.

Link permanente: /questoes/ce196316