Questão de TI - Ciência de Dados e Inteligência Artificial — Scikit-Learn — FCC 2026
- Código
- fc142110
- Banca
- FCC
- Órgão
- MPE SE
- Ano
- 2026
- Cargo
- Ana ( )
A equipe de TI de um Ministério Público está testando o uso de aprendizado de máquina para classificação automática de denúncias em urgente ou não urgente, utilizando Python.
Para isso, foi desenvolvido o código abaixo.
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.naive_bayes import MultinomialNB
# Conjunto de treinamento
denuncias = [
"corrupção em contrato público",
"fraude em licitação",
"crime ambiental grave",
"uso indevido de recursos públicos",
"propina em contrato",
"ruído em vizinhança",
"denúncia de barulho",
"lixo acumulado na rua"
]
classes = [
"urgente", "urgente", "urgente", "urgente", "urgente",
"não urgente", "não urgente", "não urgente"
]
# Vetorização e treinamento
vetorizador = CountVectorizer()
X = vetorizador.fit_transform(denuncias)
modelo = MultinomialNB()
modelo.fit(X, classes)
# Nova denúncia a ser classificada
nova_denuncia = ["desvio de verba pública"]
_I_
Considerando que o código será executado em condições ideais, a lacuna I deve ser preenchida, para que seja exibido o resultado da classificação da nova denúncia no console, com os comandos:
- AX_nova = vetorizador.transform(nova_denuncia) print("Classificação:", modelo.predict(X_nova)[0])
- BX_nova = vetorizador.toarray(nova_denuncia) print("Classificação:", modelo.predict(X_nova))
- CX_nova = modelo.fit_transform(nova_denuncia) print("Classificação:", modelo.fit(X_nova)[0])
- DX_nova = vetorizador.fit_transform(nova_denuncia) print("Classificação:", modelo.predict(X_nova))
- EX_nova = CountVectorizer().fit(nova_denuncia) print("Classificação:", modelo.predict(X_nova))