Questão de TI - Ciência de Dados e Inteligência Artificial — Scikit-Learn — FCC 2025
TI - Ciência de Dados e Inteligência ArtificialScikit-Learn
- Código
- fc150411
- Banca
- FCC
- Órgão
- TRT 2
- Ano
- 2025
- Cargo
- AJ TRT2
Em um projeto de análise preditiva no âmbito de um Tribunal do Trabalho, foi desenvolvido o código abaixo em Python para prever se um processo será encerrado em até 6 meses (1) ou não (0), com base em atributos como número de audiências, tipo de ação e complexidade processual. Considere que este código será executado em condições ideais. import pandas as pd from sklearn.model_selection import train_test_split from sklearn.ensemble import RandomForestClassifier # Dataset com colunas como 'audiencias', 'tipo_acao', 'complexidade', 'encerramento_6m' dados = pd.read_csv("processos.csv") X = dados.drop("encerramento_6m", axis=1) y = dados["encerramento_6m"] X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.3, random_state=42) modelo = RandomForestClassifier() modelo.fit(X_train, y_train) print(modelo.score(X_test, y_test)) Ao observar o código e os recursos de aprendizado de máquina utilizados, uma Analista afirmou que
- Amodelo.score retorna automaticamente a matriz de confusão, que é a melhor métrica para avaliar esse problema de prever categorias binárias com base nos dados tabulares dos processos judiciais.
- Bo código divide o conjunto de dados em 30% para treinar o modelo e os 70% restantes são usados para avaliar o modelo depois do treinamento.
- Co código utiliza aprendizado não supervisionado com redes neurais para prever o tempo de encerramento dos processos judiciais com base em agrupamento de atributos.
- DX contém todas as colunas ou atributos usados para prever menos encerramento_6m, pois este será previsto, e random_state=42 garante que a divisão será a mesma toda vez que o código for executado.
- Etrain_test_split deve ser substituído por sc.data.Dataset.from_scikit_learn_slices(X, y) para realizar a partição de dados, com a sua devida importação, pois é o mais indicado para problemas que envolvem categorias binárias.