Questão de TI - Ciência de Dados e Inteligência Artificial — Data Mining (Mineração de Dados): Etapas, Algoritmos e Modelos (KDD, CRISP-DM, etc.) — CESPE / CEBRASPE 2025

Regras de associação e previsão de valores contínuos em data mining

Gabarito: ERRADO (alternativa E). A técnica de regras de associação não é usada para prever valores contínuos; ela serve para descobrir relações de co-ocorrência entre itens em transações (como "quem compra pão também compra manteiga"). A previsão de valores contínuos é tarefa de regressão, que pode ser realizada por árvores de regressão, redes neurais, regressão linear, entre outros. O enunciado mistura dois conceitos distintos, atribuindo à regra de associação uma função que pertence à regressão.

A mineração de dados (data mining) é o processo de extrair conhecimento útil e não trivial de grandes volumes de dados. Dentre as principais tarefas, destacam-se: classificação, regressão, agrupamento (clustering) e regras de associação. Cada uma tem um objetivo específico e utiliza algoritmos próprios. A confusão entre essas tarefas é uma pegadinha clássica em provas de TI, pois o candidato precisa saber distinguir o que cada técnica faz.

Regras de associação são usadas para encontrar padrões frequentes, correlações ou estruturas causais entre conjuntos de itens em bases de dados transacionais. O exemplo clássico é a análise de cesta de compras: identificar que clientes que compram fraldas também compram cerveja. Os principais algoritmos são Apriori, FP-Growth e Eclat. As métricas de avaliação incluem suporte, confiança e lift. Não há previsão de valores numéricos contínuos; o resultado é um conjunto de regras do tipo "se X então Y", onde X e Y são itens ou conjuntos de itens.

Regressão, por outro lado, é uma tarefa de aprendizado supervisionado que visa prever um valor numérico contínuo (ex.: preço de imóvel, temperatura, salário) com base em atributos independentes. As árvores de regressão são um algoritmo que particiona o espaço de atributos em regiões e atribui a cada região um valor constante (geralmente a média dos valores de treinamento naquela região). Outros algoritmos de regressão incluem regressão linear, regressão polinomial, máquinas de vetores de suporte (SVR) e redes neurais.

A banca explora exatamente essa troca: atribui à regra de associação a função de prever valores contínuos, o que é incorreto. A regra de associação trabalha com dados categóricos e descobre relações de co-ocorrência, não faz previsão de valores numéricos. A previsão de valores contínuos é tarefa de regressão, e as árvores de regressão são um dos algoritmos utilizados para essa finalidade.

Para fixar, veja a comparação:

Guarde essa distinção: associação = descoberta de padrões de co-ocorrência; regressão = previsão de valores contínuos. É exatamente nessa fronteira que a questão se resolve.

Alternativa E — ❌ Incorreta ⟵ GABARITO

A afirmação está errada porque mistura duas técnicas distintas. A regra de associação não é usada para prever valores contínuos; ela descobre relações de co-ocorrência entre itens. A previsão de valores contínuos é tarefa de regressão, e as árvores de regressão são um algoritmo adequado para isso. Portanto, o enunciado atribui à regra de associação uma função que pertence à regressão, tornando a afirmação falsa.

Gabarito: ERRADO (alternativa E).