Questão de Algoritmos e Estrutura de Dados — Algoritmos — CESPE / CEBRASPE 2025
Algoritmos e Estrutura de Dados›Algoritmos
Código
ce202045
Banca
CESPE / CEBRASPE
Órgão
EMBRAPA
Ano
2025
Nível
Superior
Cargo
Pesquisador – Área: Gestão da Informação – Subárea: Engenharia de Dados
Acerca de técnicas utilizadas na ciência de dados, julgue o item a seguir.O algoritmo Apriori gera primeiro todos os itemsets individuais (itens) e, em seguida, combina-os para gerar itemsets de tamanho maior. Já o algoritmo FP-growth constrói uma estrutura de dados compacta denominada FP-tree, permitindo a mineração de itemsets frequentes sem gerar candidatos. Quanto à eficiência, o Apriori é mais rápido que o FP-growth devido à simplicidade de sua abordagem.
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”.
Algoritmos Apriori e FP-growth
❌ ERRADO. A descrição do funcionamento de ambos os algoritmos está correta, mas a afirmação final sobre eficiência é falsa: o FP-growth é geralmente mais rápido que o Apriori, e não o contrário.
Algoritmo
Funcionamento
Geração de Candidatos
Eficiência
Apriori
Gera itemsets individuais e combina para formar itemsets maiores
Sim, gera candidatos explicitamente
Mais lento (múltiplas varreduras no banco)
FP-growth
Constrói FP-tree (estrutura compacta) e minera sem gerar candidatos
Não, evita geração de candidatos
Mais rápido (apenas duas varreduras)
Mineração de itemsets frequentes
1Apriori
Gera candidatos
Mais lento (múltiplas varreduras)
2FP-growth
Constrói FP-tree
Mais rápido (2 varreduras)
LEVEL · soulevel.com.br
Análise do item
O item descreve corretamente:
Apriori: gera itemsets candidatos de tamanho 1 e os combina para formar candidatos maiores, usando o princípio apriori para podar.
FP-growth: constrói a FP-tree (Frequent Pattern tree), uma estrutura compacta, e extrai itemsets frequentes sem gerar candidatos explicitamente.
No entanto, a última frase inverte a realidade sobre eficiência. O FP-growth foi proposto justamente para superar as limitações de desempenho do Apriori, especialmente em bases densas ou com muitos itemsets frequentes. Enquanto o Apriori gera um grande número de candidatos e requer múltiplas varreduras no banco de dados, o FP-growth reduz drasticamente o custo computacional ao condensar as informações em uma árvore e realizar a mineração em apenas duas varreduras.
PEGA ESSA DICA!
Para provas, lembre-se: Apriori = geração de candidatos (mais lento); FP-growth = sem candidatos (mais rápido). A banca frequentemente troca a relação de eficiência para confundir.