Questão de Engenharia de Software — Inteligencia Artificial — FGV 2023

Algoritmo de Classificação: Naive Bayes

Gabarito: letra B. Os passos descritos correspondem exatamente ao funcionamento do classificador Naive Bayes: ele calcula a probabilidade a priori de cada categoria, depois a probabilidade condicional de cada atributo dada a categoria (supondo independência entre atributos), e para uma nova instância calcula a probabilidade a posteriori de cada categoria, escolhendo a de maior valor. Esse é o princípio do teorema de Bayes aplicado à classificação.

A questão descreve o fluxo típico de um algoritmo de aprendizado supervisionado para classificação, onde os dados de treinamento contêm atributos e rótulos (categorias). O cálculo de probabilidades de cada categoria e de probabilidades condicionais dos atributos por categoria é característico do Naive Bayes, que utiliza o teorema de Bayes e a suposição de independência condicional entre os atributos. Os passos 4 e 5 repetem a aplicação do teorema para cada nova entrada, selecionando a categoria com maior probabilidade.

Alternativa A — ❌ Incorreta

Regressão Logística é um modelo que estima a probabilidade de uma classe usando uma função logística sobre uma combinação linear dos atributos, mas não envolve o cálculo de probabilidades condicionais de cada atributo separadamente nem depende do teorema de Bayes. Ela otimiza pesos diretamente.

Alternativa B — ✅ Correta ⟵ GABARITO

Naive Bayes é exatamente o algoritmo descrito: utiliza probabilidades a priori das classes (passo 2), probabilidades condicionais de cada atributo dado a classe (passo 3), e para cada nova entrada computa a probabilidade a posteriori com o teorema de Bayes, selecionando a classe de maior probabilidade (passos 4 e 5). A independência entre atributos é a premissa "naive".

Alternativa C — ❌ Incorreta

K-Means é um algoritmo de aprendizado não supervisionado para agrupamento (clustering), que divide os dados em K grupos com base na distância entre pontos. Ele não usa probabilidades nem categorias rotuladas no treinamento, ao contrário dos passos descritos.

Alternativa D — ❌ Incorreta

Random Forest é um conjunto de árvores de decisão que vota para classificar. Embora classifique, não calcula probabilidades condicionais de cada atributo separadamente; ele constrói regras de decisão binárias nos atributos, sem usar o teorema de Bayes.

Alternativa E — ❌ Incorreta

Regressão Linear é um modelo de regressão (predição de valores contínuos), não de classificação categórica. Não calcula probabilidades condicionais nem seleciona categorias.