Questão de Algoritmos e Estrutura de Dados — Algoritmos — FGV 2024
Algoritmos e Estrutura de Dados›Algoritmos
Código
fg089866
Banca
FGV
Órgão
Prefeitura de Cuiabá - MT
Ano
2024
Nível
Superior
Cargo
Auditor Fiscal Tributário da Receita Municipal - Tecnologia da Informação (Tarde)
O algoritmo k-vizinhos mais próximo (k-NN) é utilizado em tarefas de análise preditiva. Analise as afirmativas a seguir relativas ao algoritmo k-NN.I O algoritmo k-NN classifica os pontos com base nas distâncias entre eles e seus k vizinhos mais próximos.II O valor de k deve ser escolhido aleatoriamente e não tem impacto no desempenho do modelo k-NN.III O algoritmo k-NN é sensível à escala das variáveis de entrada e geralmente requer normalização dos dados antes de ser aplicado.É correto o que se afirma em
AI, apenas.
BII, apenas.
CI e II, apenas.
DI e III, apenas.
EII e III, apenas.
Revelar gabarito e comentário▾
GabaritoD — I e III, apenas.
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”.
k-Nearest Neighbors (k-NN)
Gabarito: letra D. O algoritmo k-NN classifica pontos com base na distância aos k vizinhos mais próximos (afirmativa I é verdadeira). O valor de k não deve ser escolhido aleatoriamente e impacta diretamente o desempenho — k pequeno pode causar overfitting e k grande underfitting (afirmativa II é falsa). O k-NN é sensível à escala das variáveis, pois utiliza medidas de distância, e geralmente requer normalização dos dados (afirmativa III é verdadeira). Portanto, estão corretas apenas as afirmativas I e III.
A banca testa os fundamentos do k-NN, um algoritmo de aprendizado supervisionado não paramétrico usado para classificação e regressão. A seguir, analisa-se cada afirmativa.
Análise das afirmativas
k-NN: Funcionamento (Classifica por distância aos k vizinhos, k aleatório sem impacto); Hiperparâmetro k (k pequeno → overfitting, k grande → underfitting, Escolha por validação cruzada); Pré-processamento (Sensível à escala, Requer normalização)
Afirmativa I — ✅ Correta
O k-NN classifica um novo ponto observando as classes dos k pontos mais próximos no espaço de características. A distância mais comum é a Euclidiana, mas podem ser usadas outras (Manhattan, Minkowski). A classe é atribuída por votação majoritária entre os vizinhos (ou por média ponderada na regressão). Esse é o princípio básico do algoritmo.
Afirmativa II — ❌ Incorreta
O valor de k é um hiperparâmetro crítico. Escolhas inadequadas afetam o modelo: k muito pequeno (ex.: k=1) torna o modelo sensível a ruídos (overfitting); k muito grande suaviza demais as fronteiras (underfitting). A prática recomenda selecionar k por validação cruzada. Portanto, não é aleatório e tem grande impacto.
NÃO CAIA NESSA!
A banca tenta fazer o candidato acreditar que k é irrelevante ou pode ser escolhido ao acaso. Lembre-se: k é um hiperparâmetro que deve ser otimizado, e seu valor influencia diretamente o viés e a variância do modelo.
Afirmativa III — ✅ Correta
Como o k-NN depende de cálculos de distância, variáveis com escalas maiores tendem a dominar o resultado. Por exemplo, uma variável que varia de 0 a 100.000 terá muito mais peso que outra que varia de 0 a 1. A normalização (min-max scaling) ou padronização (z-score) é essencial para garantir que todas as variáveis contribuam igualmente. Sem normalização, o modelo pode ter desempenho ruim.