Questão de Noções de Informática — Inteligência Artificial e Automação — CESPE / CEBRASPE 2025
Noções de Informática›Inteligência Artificial e Automação
Código
ce216200
Banca
CESPE / CEBRASPE
Órgão
TCE-MS
Ano
2025
Nível
Superior
Cargo
Auditor de Controle Externo - Área: Tecnologia da Informação
No contexto dos algoritmos de classificação em inteligência artificial, a técnica caracterizada por construir hiperplanos de separação em espaços de alta dimensão, visando maximizar a margem entre classes, é denominada
Asupport vector machine.
Brandom forest.
Ck-nearest neighbors.
Dnaive Bayes.
Edecision tree.
Revelar gabarito e comentário▾
GabaritoA — support vector machine.
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 de classificação em IA – Support Vector Machine (SVM)
Gabarito: letra A. A técnica que constrói hiperplanos de separação em espaços de alta dimensão para maximizar a margem entre classes é o Support Vector Machine (SVM). Esse é o conceito central do SVM: encontrar o hiperplano ótimo que maximize a distância (margem) entre os pontos mais próximos de cada classe (vetores de suporte).
A questão exige o conhecimento da definição clássica de cada algoritmo de classificação. A seguir, analisa-se cada alternativa.
Algoritmos de classificação: SVM (Support Vector Machine) (Hiperplano de separação, Maximiza margem entre classes, Kernel para dados não lineares); Random Forest (Conjunto de árvores de decisão, Votação/média das predições); k-NN (k-Nearest Neighbors) (Classe majoritária dos vizinhos, Métrica de distância); Naive Bayes (Teorema de Bayes, Independência entre features); Decision Tree (Divisões sucessivas (thresholds), Regiões retangulares)
Alternativa A — ✅ Correta ⟵ GABARITO
O Support Vector Machine (SVM) é exatamente o algoritmo que busca o hiperplano com a maior margem possível entre as classes. Ele é especialmente eficaz em espaços de alta dimensionalidade (muitas features) e pode usar o "truque do kernel" para separar dados não linearmente separáveis.
Alternativa B — ❌ Incorreta
Random Forest é um conjunto (ensemble) de árvores de decisão que combina predições por votação ou média. Não constrói hiperplanos nem maximiza margens; seu princípio é a agregação de múltiplas árvores para reduzir overfitting.
Alternativa C — ❌ Incorreta
k-Nearest Neighbors (k-NN) classifica um ponto com base na classe majoritária entre seus k vizinhos mais próximos, usando métricas de distância (euclidiana, Manhattan etc.). Não há construção de hiperplano nem margem.
Alternativa D — ❌ Incorreta
Naive Bayes é um classificador probabilístico baseado no Teorema de Bayes com pressuposto de independência entre as features. Não utiliza hiperplanos nem margens.
Alternativa E — ❌ Incorreta
Decision Tree (árvore de decisão) divide o espaço com base em thresholds sucessivos em cada feature, gerando regiões retangulares. Não há hiperplano contínuo nem maximização de margem.
PEGA ESSA DICA!
Memorize a associação direta: "hiperplano + margem máxima" → SVM. Para os demais algoritmos, lembre-se das palavras‑chave: Random Forest → árvores e votação; k-NN → vizinhança; Naive Bayes → probabilidade e independência; Decision Tree → divisões sucessivas (thresholds).