Questão de Engenharia de Software — Inteligencia Artificial — FGV 2024
Engenharia de Software›Inteligencia Artificial
Código
fg079817
Banca
FGV
Órgão
DATAPREV
Ano
2024
Nível
Superior
Cargo
ATI - Inteligência da Informação
O algoritmo de redução de dimensionalidade conhecido como Análise de Componentes Principais (PCA – Principal Component Analysis) possui características importantes.Dada a escolha de um número k de componentes principais e um conjunto de dados X com cinco variáveis A, B, C, D e E, o PCA
Aadiciona a média de cada observação para cada dimensão de X, normalizando-a depois pelo desvio-padrão.
Bconstrói a matriz de confusão a partir de X, multiplicando-a pelos autovalores de seus vetores originais.
Cescolhe k autovetores aleatórios do conjunto original de dados.
Dpreserva as distâncias geodésicas entre os pontos do espaço original dos dados por redução não linear.
Eretorna k combinações lineares dos atributos do conjunto {A,B,C,D,E}.
Revelar gabarito e comentário▾
GabaritoE — retorna k combinações lineares dos atributos do conjunto {A,B,C,D,E}.
Comentário gerado por IA. É um apoio ao estudo, ancorado em fontes, mas pode conter imprecisões — confira sempre na fonte oficial (lei, súmula, edital e gabarito da banca). Encontrou um erro? Use “Reportar”.
Análise de Componentes Principais (PCA)
Gabarito: letra E. O PCA retorna k componentes principais, que são combinações lineares das variáveis originais (A, B, C, D, E), escolhidas de forma a reter a máxima variância possível dos dados. As demais alternativas descrevem conceitos incorretos ou associados a outras técnicas.
A banca testa o entendimento do que é a PCA: uma técnica não supervisionada de redução de dimensionalidade que projeta os dados em um novo sistema de coordenadas (componentes principais), onde cada componente é uma combinação linear das variáveis originais. As componentes são ordenadas pela variância explicada.
Alternativa A — ❌ Incorreta
Descreve a padronização (z-score) dos dados, que pode ser uma etapa de pré-processamento anterior à PCA, mas não é a PCA em si. A PCA não adiciona a média; ela subtrai a média para centralizar os dados.
Alternativa B — ❌ Incorreta
Matriz de confusão é usada em classificação para avaliar predições, não na PCA. O PCA utiliza a matriz de covariância (ou correlação) e seus autovalores/autovetores.
Alternativa C — ❌ Incorreta
Os autovetores na PCA não são escolhidos aleatoriamente. São os autovetores da matriz de covariância, ordenados pelos maiores autovalores (direções de maior variância).
Alternativa D — ❌ Incorreta
Descreve técnicas de redução não linear, como Isomap, que preservam distâncias geodésicas. A PCA é linear e não preserva distâncias geodésicas.
Alternativa E — ✅ Correta ⟵ GABARITO
A PCA gera k componentes principais, que são combinações lineares das variáveis originais. Cada componente é uma combinação linear dos atributos {A, B, C, D, E}, calculada para maximizar a variância retida.
NÃO CAIA NESSA!
Lembre-se: PCA = combinações lineares que maximizam variância. Não confunda com padronização (z-score), que é pré-processamento, nem com métodos não lineares (Isomap, t-SNE) ou seleção aleatória. Para a prova, grave que PCA é linear e produz k novas variáveis como combinações lineares das originais.