Questão de Engenharia de Software — Inteligencia Artificial — FGV 2024
Engenharia de Software›Inteligencia Artificial
Código
fg096776
Banca
FGV
Órgão
TCE-PA
Ano
2024
Nível
Superior
Cargo
Auditor de Controle Externo - Área Administrativa - Ciência de Dados
O tratamento dos dados influencia diretamente no desempenho de muitos algoritmos de aprendizado de máquina.A respeito de métodos de normalização e padronização numéricos é correto afirmar que
Asão utilizados, principalmente, na detecção e remoção de outliers.
Bna normalização com min-max scaling é definida a média desejada para o atributo.
Co uso da técnica min-max scaling é recomendada quando os dados apresentam outliers.
Dna padronização com z-score são determinadas a média e a variância desejadas para o atributo.
Ea padronização com z-score é empregada, usualmente, para garantir que o atributo terá apenas valores positivos.
Revelar gabarito e comentário▾
GabaritoD — na padronização com z-score são determinadas a média e a variância desejadas para o atributo.
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”.
Normalização e padronização em aprendizado de máquina
Gabarito: letra D. Na padronização com z-score, os dados são transformados para que tenham média 0 e variância 1 (desvio padrão 1). As demais alternativas contêm erros conceituais: normalização/padronização não são usadas primariamente para outliers (A); min-max scaling não define média desejada (B); min-max scaling é sensível a outliers, não recomendado (C); z-score pode gerar valores negativos (E).
Alternativa A — ❌ Incorreta
Normalização e padronização são técnicas de escalonamento de atributos (feature scaling) para que fiquem em escalas comparáveis, não para detecção ou remoção de outliers. Outliers são tratados com métodos específicos como IQR ou Z-score para identificação.
Alternativa B — ❌ Incorreta
Na normalização min-max scaling, os dados são reescalados para um intervalo fixo, geralmente [0,1], utilizando os valores mínimo e máximo do atributo. Não há definição de uma média desejada; a média resultante depende dos dados originais.
Alternativa C — ❌ Incorreta ⟵ GABARITO (a banca pediu a correta, então esta é falsa)
O min-max scaling é sensível a outliers, pois o mínimo e máximo são afetados por valores extremos, distorcendo a escala. Para dados com outliers, recomenda-se padronização z-score ou scaling robusto (baseado em quartis).
Alternativa D — ✅ Correta ⟵ GABARITO
Na padronização com z-score (ou normalização Z), cada valor é transformado por:
onde é a média e o desvio padrão do atributo. O resultado tem média 0 e variância 1 (ou desvio padrão 1). Portanto, determinam-se a média e a variância desejadas (0 e 1).
Alternativa E — ❌ Incorreta
O z-score produz valores positivos e negativos: valores acima da média ficam positivos; abaixo, negativos. Não garante valores apenas positivos. Para forçar positividade, usa-se min-max scaling ou transformação logarítmica.
PEGA ESSA DICA!
Decore o efeito de cada técnica: min-max scaling → intervalo fixo [0,1] (sensível a outliers); z-score → média 0, desvio 1 (menos sensível a outliers). A banca explora a confusão entre recomendar min-max com outliers (errado) e a definição do z-score (certo).