Questão de Banco de Dados — Data Mining — FGV 2023

Pré-processamento de dados em Data Mining: normalização de atributos contínuos

Gabarito: letra D. A operação de pré-processamento correta é a normalização das colunas do tipo contínua (Idade, Ganho_capital, Anos_estudo e Horas_trabalhadas), pois algoritmos de classificação supervisionada, como os baseados em distância (k-NN, SVM, redes neurais), são sensíveis à escala dos atributos numéricos — sem normalizar, atributos com faixas de valores maiores dominariam o cálculo de similaridade. As demais alternativas confundem o tipo de dado (categórico vs. contínuo) com a técnica de pré-processamento adequada.

O pré-processamento de dados é uma etapa fundamental no processo de descoberta de conhecimento em bancos de dados (KDD) e no CRISP-DM, preparando os dados brutos para a mineração. Entre as técnicas mais comuns estão a limpeza (tratamento de valores ausentes, ruído e outliers), a transformação (normalização, discretização, agregação) e a redução (seleção de atributos, redução de dimensionalidade). A escolha da técnica depende diretamente do tipo do atributo: contínuo (numérico, com escala de medida) ou categórico (nominal, com valores discretos sem ordem natural).

A normalização é aplicada a atributos contínuos para ajustar seus valores a uma escala comum, geralmente entre 0 e 1 (min-max) ou com média 0 e desvio padrão 1 (padronização/z-score). Isso é crucial porque muitos algoritmos de aprendizado de máquina calculam distâncias entre instâncias; se um atributo tem faixa de 0 a 100 e outro de 0 a 1.000.000, o segundo dominaria a distância, distorcendo o modelo. No conjunto PESSOA, as colunas contínuas são exatamente Idade, Ganho_capital, Anos_estudo e Horas_trabalhadas — todas com escalas diferentes (anos, valores monetários, anos de estudo, horas), o que torna a normalização indispensável.

A discretização, por outro lado, converte atributos contínuos em categóricos (ex.: faixas etárias), mas não se aplica a atributos que já são categóricos. A imputação trata valores faltantes e pode usar a média, mas apenas para atributos numéricos — usar a média em uma coluna categórica como "Sexo" é um erro conceitual, pois a média de categorias não faz sentido. A exclusão de coluna com outlier é uma decisão drástica e não se justifica apenas pela presença de outliers, especialmente quando a coluna é o rótulo (Classe) que se deseja prever.

A pegadinha central desta questão é a troca entre tipo de dado e técnica de pré-processamento: a banca apresenta alternativas que aplicam técnicas inadequadas ao tipo de coluna (normalizar categórica, discretizar categórica, imputar média em categórica). O candidato que não domina a distinção entre atributos contínuos e categóricos, e qual técnica cabe a cada um, tende a cair em uma das alternativas erradas. Guarde o par: contínuo → normalização/padronização; categórico → codificação (one-hot, label encoding) ou tratamento de valores ausentes por moda.

Alternativa A — ❌ Incorreta

A exclusão da coluna "Classe" é absurda: ela é a variável alvo (rótulo) da classificação supervisionada — sem ela, não há como treinar o modelo. Além disso, a presença de outliers em uma coluna categórica não é um conceito bem definido (outliers são típicos de dados numéricos), e a exclusão de uma coluna inteira por causa de outliers é uma medida extrema, raramente recomendada sem análise prévia.

Alternativa B — ❌ Incorreta

A discretização é uma técnica para atributos contínuos (transformar valores numéricos em intervalos/fatias), não para atributos categóricos como Sexo, Raça/Etnia e Educação. Essas colunas já são categóricas; o pré-processamento adequado para elas seria codificação (ex.: one-hot encoding) ou, se houvesse valores faltantes, imputação pela moda — nunca discretização.

Alternativa C — ❌ Incorreta

A normalização por padronização (z-score) é aplicada a atributos contínuos, não a categóricos. Ocupação e Classe_trabalho são colunas categóricas (nominais); padronizá-las não faz sentido, pois não há uma escala numérica a ser ajustada. A técnica correta para essas colunas seria codificação categórica.

Alternativa D — ✅ Correta ⟵ GABARITO

As colunas Idade, Ganho_capital, Anos_estudo e Horas_trabalhadas são todas do tipo contínuo (numérico). A normalização (min-max ou padronização z-score) é a operação de pré-processamento adequada para atributos contínuos, pois ajusta suas escalas para que nenhum atributo domine o cálculo de distância nos algoritmos de classificação. Esta é a única alternativa que associa corretamente a técnica ao tipo de dado.

Alternativa E — ❌ Incorreta

A imputação pela média é uma técnica para atributos numéricos com valores faltantes. A coluna "Sexo" é categórica; calcular a média de categorias (ex.: média entre "Masculino" e "Feminino") não tem significado estatístico. Para dados categóricos, a imputação adequada seria pela moda (categoria mais frequente) ou por outra técnica específica.

Gabarito: letra D — a normalização das colunas contínuas é a operação de pré-processamento correta para a tarefa de classificação supervisionada.