Questão de Engenharia de Software — Inteligencia Artificial — FGV 2024
Engenharia de Software›Inteligencia Artificial
Código
fg097488
Banca
FGV
Órgão
TCE-PA
Ano
2024
Nível
Superior
Cargo
Auditor de Controle Externo - Área de Informática - Analista de Sistemas
Diferentes técnicas de classificação são utilizadas em aprendizado de máquina para organizar e categorizar dados de acordo com características predefinidas.Com respeito a técnicas de classificação em aprendizado de máquina, analise as afirmativas a seguir:I. A regressão logística determina um hiperplano no espaço n- dimensional para separar as instâncias de dados de entrada em partições de acordo com suas classes.II. As máquinas de vetores de suporte (Support Vector Machines - SVM) consistem em uma abordagem probabilística, determinando uma distribuição de probabilidades de que uma nova instância de dados de entrada pertença as respectivas classes.III. O algoritmo K vizinhos mais próximos (K Nearest Neighbors - KNN) classifica uma nova instância de dados de entrada conforme a classe das instâncias mais próximas já observadas.Está correto o que se afirma em
AI, apenas.
BII, apenas.
CIII, apenas.
DI e II, apenas.
EI, II e III.
Revelar gabarito e comentário▾
GabaritoC — 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”.
Técnicas de classificação em aprendizado de máquina
Gabarito: letra C. Apenas a afirmativa III está correta. A regressão logística é um modelo probabilístico que estima a probabilidade de uma instância pertencer a uma classe, e embora sua fronteira de decisão seja linear (um hiperplano), não é corretamente descrita como "determinar um hiperplano" – essa caracterização é mais típica de SVMs. Já as SVMs são classificadores não probabilísticos que encontram um hiperplano de separação com margem máxima, não fornecendo distribuições de probabilidade. Por fim, o KNN classifica uma nova instância com base na classe majoritária entre seus k vizinhos mais próximos, conforme descrito.
Item I — ❌ Incorreto
A afirmativa atribui à regressão logística a capacidade de "determinar um hiperplano" para separar classes. Na verdade, a regressão logística é um modelo probabilístico que utiliza a função logística para modelar a probabilidade de pertencimento a uma classe. Embora a fronteira de decisão resultante seja linear, o algoritmo não tem como objetivo primário encontrar um hiperplano – esse é o papel de SVMs. A descrição é imprecisa e, portanto, a afirmativa é falsa.
Item II — ❌ Incorreto
As Máquinas de Vetores de Suporte (SVM) são classificadores não probabilísticos. Elas buscam o hiperplano que maximiza a margem entre as classes, mas não fornecem uma distribuição de probabilidades. O material de estudo afirma que "O SVM padrão... é um classificador linear binário não probabilístico". Logo, a afirmativa de que as SVMs consistem em uma abordagem probabilística é incorreta.
Item III — ✅ Correto
O algoritmo K Vizinhos Mais Próximos (KNN) classifica uma nova instância de acordo com a classe majoritária entre seus k vizinhos mais próximos no espaço de características. Conforme o material: "Novo registro classificado de acordo com a classe do seu vizinho mais próximo". A descrição está correta.
NÃO CAIA NESSA!
Muitos candidatos consideram a afirmativa I verdadeira porque a regressão logística realmente produz uma fronteira linear (hiperplano). No entanto, a banca considera que a essência da regressão logística é probabilística, e o termo "determina um hiperplano" é mais adequado para SVMs. Fique atento: a regressão logística modela probabilidades, não apenas separa por hiperplano. Já no item II, a tentação é lembrar que SVM usa "margem" e pensar que é probabilístico, mas não é. O KNN é direto e sempre cai assim.
Gabarito: letra C — apenas o item III está correto.