Pular para o conteúdo principal

Questão de Banco de Dados — Big Data — CESPE / CEBRASPE 2025

Banco de DadosBig Data
Código
ce204749
Banca
CESPE / CEBRASPE
Órgão
FUNPRESP-EXE
Ano
2025
Nível
Superior
Cargo
Analista de Previdência Complementar - Área 8: Estatística, Ciência de Dados e Inovação
Julgue o próximo item, a respeito de machine leaning.Os algoritmos de regressão linear, por minimizarem a soma dos resíduos quadrados para ajustar os coeficientes, são sensíveis a outliers, que podem distorcer os coeficientes e comprometer a previsão do modelo.
  1. CCerto
  2. EErrado
Revelar gabarito e comentário

GabaritoC — Certo

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”.

Regressão Linear e Sensibilidade a Outliers

✅ CERTO. A afirmação está correta. O método dos mínimos quadrados ordinários (MQO), utilizado na regressão linear para minimizar a soma dos quadrados dos resíduos, atribui maior peso a resíduos grandes. Como outliers geram resíduos elevados, sua influência na estimação dos coeficientes é amplificada, podendo distorcer a reta de regressão e comprometer a capacidade preditiva do modelo.

A regressão linear é um algoritmo de aprendizado supervisionado que busca modelar a relação entre variáveis independentes e uma variável dependente contínua. O MQO é o estimador padrão, e sua sensibilidade a outliers é uma limitação bem conhecida, que pode ser mitigada com técnicas robustas (ex.: regressão quantílica) ou pela remoção/tratamento prévio dos outliers.

Portanto, a assertiva está de acordo com os fundamentos teóricos da regressão linear.

  1. 1Outlier gera resíduo elevado
  2. 2MQO eleva peso desse resíduo
  3. 3Coeficientes são distorcidos
  4. 4Previsão do modelo é comprometida
LEVEL · soulevel.com.br

Gabarito: Certo (C).

Link permanente: /questoes/ce204749