Máquina de Vetores de Suporte (SVM)
Gabarito: letra E. O algoritmo descrito é clássico da Máquina de Vetores de Suporte (SVM), que para classificação binária encontra um hiperplano (reta no plano) que separa as duas classes com a maior margem possível. A margem é definida pela distância do hiperplano aos pontos mais próximos de cada classe (vetores de suporte), e essa distância é igual nos dois lados e maximizada.
Algoritmo | Tipo de Aprendizado | Objetivo Principal | Separação com Margem Máxima? | Classificação Binária? |
|---|
K-Médias | Não supervisionado | Agrupar dados em clusters | Não | Não |
Regressão Linear | Supervisionado | Prever valor contínuo | Não | Não |
Regressão Logística | Supervisionado | Classificar (probabilidade) | Não | Sim |
K-Vizinhos Mais Próximos | Supervisionado | Classificar por vizinhança | Não | Sim |
Máquina de Vetores de Suporte | Supervisionado | Classificar com margem máxima | Sim | Sim |
Alternativa A — ❌ Incorreta
K-Médias é um algoritmo de clusterização não supervisionada, que agrupa dados em k clusters com base na distância ao centróide. Não realiza classificação binária com margem máxima.
Alternativa B — ❌ Incorreta
Regressão Linear é um modelo de regressão (previsão de valor contínuo), não de classificação binária. Não separa com margem máxima.
Alternativa C — ❌ Incorreta
Regressão Logística é um algoritmo de classificação binária, mas não maximiza a margem; utiliza uma função sigmoide para modelar a probabilidade. Não garante distância máxima igual para ambos os lados.
Alternativa D — ❌ Incorreta
K-Vizinhos Mais Próximos (KNN) é um algoritmo baseado em instâncias: classifica um ponto pela maioria dos k vizinhos mais próximos. Não há uma reta separadora com margem máxima.
Alternativa E — ✅ Correta ⟵ GABARITO
Máquina de Vetores de Suporte (SVM) é exatamente o algoritmo que busca o hiperplano ótimo que maximize a margem entre as classes, garantindo que a distância da reta ao dado mais próximo de cada região seja a mesma e a maior possível, como descrito no enunciado.