Questão de Engenharia de Software — Inteligencia Artificial — FGV 2024
Engenharia de Software›Inteligencia Artificial
Código
fg089960
Banca
FGV
Órgão
Prefeitura de Macaé - RJ
Ano
2024
Nível
Superior
Cargo
Analista Previdenciário - Especialidade: Analista de Sistemas
Aprendizado de Máquina (Machine Learning) é uma subárea da inteligência artificial (IA) que se concentra em desenvolver algoritmos e modelos que permitem que os sistemas aprendam e façam previsões ou decisões baseadas em dados. O Aprendizado de Máquina pode ser dividido em aprendizado supervisionado, aprendizado não supervisionado e aprendizado por reforço.No contexto de aprendizado de máquina supervisionado, das técnicas a seguir, a mais apropriada para lidar com um problema de regressão no qual o objetivo é prever um valor numérico contínuo é
Aa Regressão Linear.
Ba Regressão Logística.
Co K-Nearest Neighbors (KNN) para classificação.
Da Support Vector Machine (SVM) com kernel linear para classificação.
Ea Árvore de Decisão para classificação.
Revelar gabarito e comentário▾
GabaritoA — a Regressão Linear.
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”.
Aprendizado de Máquina Supervisionado – Regressão
Gabarito: letra A. Em problemas de regressão, o objetivo é prever um valor numérico contínuo. A Regressão Linear é a técnica mais apropriada, pois modela a relação entre variáveis de entrada e uma saída contínua, ajustando uma linha reta aos dados. As demais alternativas são voltadas para classificação (saída discreta) ou, no caso da Regressão Logística, apesar do nome, é um classificador binário.
Técnica
Tipo de Problema
Saída
Adequada para Regressão?
Regressão Linear
Regressão
Contínua (numérica)
✅ Sim
Regressão Logística
Classificação
Discreta (binária)
❌ Não
KNN para classificação
Classificação
Discreta (categórica)
❌ Não
SVM com kernel linear para classificação
Classificação
Discreta (categórica)
❌ Não
Árvore de Decisão para classificação
Classificação
Discreta (categórica)
❌ Não
Aprendizado supervisionado
1Regressão (valor contínuo)
Regressão Linear
KNN (regressão)
2Classificação (valor discreto)
Regressão Logística
KNN (classificação)
SVM
Árvore de Decisão
LEVEL · soulevel.com.br
Alternativa A — ✅ Correta ⟵ GABARITO
A Regressão Linear é um algoritmo de aprendizado supervisionado que estabelece uma relação linear entre variáveis independentes e uma variável dependente contínua. É amplamente utilizada para prever valores como preços, temperaturas, vendas, etc. No contexto da questão, é a única opção que atende diretamente ao problema de regressão com saída contínua.
Referência conceitual: Regressão Linear é utilizada para estabelecer uma relação entre duas variáveis contínuas. O objetivo é encontrar uma linha reta que melhor se ajuste aos dados para fazer previsões.
Alternativa B — ❌ Incorreta
A Regressão Logística, embora possua o termo “regressão” no nome, é um algoritmo de classificação, não de regressão. Ela modela a probabilidade de um exemplo pertencer a uma classe (geralmente binária), produzindo saída discreta. Portanto, não é adequada para prever valores numéricos contínuos.
NÃO CAIA NESSA!
A banca explora o nome “Regressão Logística” para confundir o candidato. Lembre-se: ela é um classificador, não uma técnica de regressão.
Alternativa C — ❌ Incorreta
O K-Nearest Neighbors (KNN) pode ser usado tanto para classificação quanto para regressão, mas a alternativa especifica “KNN para classificação”. Assim, está fora do escopo do problema de regressão contínua. Mesmo que se considerasse a versão de regressão do KNN, a questão pede a técnica mais apropriada, e a Regressão Linear é mais direta e comum para esse fim.
Alternativa D — ❌ Incorreta
A Support Vector Machine (SVM) com kernel linear é tradicionalmente um algoritmo de classificação (busca o hiperplano que separa classes). Embora exista a variante SVR (Support Vector Regression) para regressão, a alternativa explicita “para classificação”, o que a descarta para o problema de previsão contínua.
Alternativa E — ❌ Incorreta
Árvores de Decisão podem ser usadas para regressão (árvores de regressão), mas novamente a alternativa diz “para classificação”. Além disso, mesmo a versão de regressão seria menos apropriada que a Regressão Linear para problemas com relação linear entre variáveis, pois a árvore tende a segmentar o espaço em regiões constantes, não modelando uma tendência linear contínua.