Analista de Previdência Complementar - Área 8: Estatística, Ciência de Dados e Inovação
No que se refere a modelagem estatística de dados, julgue o item subsecutivo.O modelo de árvore de decisão é utilizado quando a resposta é binária, como, por exemplo, prever se um cliente fará ou não determinada compra com base em seu histórico de compras.
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”.
Árvores de decisão e resposta binária
Gabarito: letra E (ERRADO). A afirmação está incorreta porque o modelo de árvore de decisão não é utilizado apenas quando a resposta é binária — ele é uma técnica de aprendizado supervisionado que pode ser empregada tanto para problemas de classificação (resposta categórica, inclusive binária) quanto para problemas de regressão (resposta contínua). O exemplo citado (prever se um cliente fará ou não uma compra) é apenas uma das aplicações possíveis, não uma limitação do método.
A árvore de decisão é um modelo que particiona recursivamente o espaço das variáveis preditoras em regiões, atribuindo a cada região um valor predito. Quando a variável resposta é categórica (como "sim/não"), temos uma árvore de classificação; quando a resposta é contínua (como preço, tempo, quantidade), temos uma árvore de regressão. O algoritmo de particionamento (por exemplo, CART, ID3, C4.5) funciona de forma análoga nos dois casos, mudando apenas o critério de impureza (Gini, entropia, erro quadrático) e a forma de predição em cada folha (classe majoritária ou média).
A banca explora aqui uma generalização indevida: o candidato pode associar árvore de decisão apenas a problemas de classificação binária, esquecendo que o método é mais amplo. O erro está na palavra "é utilizado quando a resposta é binária", que restringe indevidamente o escopo do modelo.
Árvore de decisão: classificação vs regressão — só Classificação: binária e multiclasse; só Regressão: resposta contínua; Classificação∩Regressão: aprendizado supervisionado
Alternativa E — ❌ Incorreta ⟵ GABARITO
A afirmação está errada porque a árvore de decisão não se limita a respostas binárias. Ela é um modelo flexível que serve para:
Classificação: resposta categórica (binária ou multiclasse) — ex.: prever se um cliente compra ou não (binária), ou classificar um e-mail em "spam", "promoção" ou "importante" (multiclasse).
Regressão: resposta contínua — ex.: prever o preço de um imóvel, a temperatura, o tempo de entrega.
O exemplo dado no enunciado (prever se um cliente fará ou não determinada compra) é um caso de classificação binária, mas isso não significa que o modelo seja "utilizado quando a resposta é binária". A árvore de decisão é uma técnica geral de aprendizado supervisionado, aplicável a qualquer tipo de resposta.
NÃO CAIA NESSA!
A banca tenta fazer você acreditar que árvore de decisão é sinônimo de classificação binária. Na verdade, o modelo serve tanto para classificação (binária ou multiclasse) quanto para regressão. O exemplo do cliente que compra ou não é apenas uma aplicação — não define o método. Fique atento a palavras como "é utilizado quando" ou "somente quando", que costumam sinalizar uma restrição indevida.
PEGA ESSA DICA!
Para não errar em questões assim, lembre-se: árvore de decisão é um modelo de aprendizado supervisionado que pode ser de classificação (resposta categórica) ou de regressão (resposta contínua). Quando a questão citar um exemplo de classificação binária, não conclua que o modelo é exclusivo disso — verifique se há menção a outros usos.