Algoritmo K-NN (K-Nearest Neighbors)
Gabarito: letra C. A descrição fornecida — classificar novas instâncias pela classe da maioria das instâncias mais próximas, avaliando a proximidade com métricas de distância — é a definição exata do algoritmo K-NN (K-Nearest Neighbors). Trata-se de um método de aprendizado supervisionado, não paramétrico, que rotula um ponto com base nos K vizinhos mais próximos no espaço multidimensional.
As demais alternativas são técnicas de classificação, mas não se baseiam primordialmente na vizinhança e na votação majoritária dos vizinhos mais próximos.
Alternativa A — ❌ Incorreta
Regressão Logística é um modelo linear utilizado para classificação binária, que estima probabilidades com uma função sigmoide. Não utiliza o conceito de distância entre instâncias para classificar novos pontos.
Alternativa B — ❌ Incorreta
SVM (Support Vector Machine) busca encontrar um hiperplano que maximize a margem entre as classes. Embora use funções de kernel que envolvem distâncias, a classificação não se dá por votação da maioria dos vizinhos, mas sim pela posição relativa ao hiperplano.
Alternativa C — ✅ Correta ⟵ GABARITO
K-NN (K-Nearest Neighbors) funciona exatamente como descrito: calcula a distância (Euclidiana, Manhattan, etc.) entre a nova instância e todas as instâncias do conjunto de treinamento, seleciona os K vizinhos mais próximos e atribui a classe majoritária entre eles. É o algoritmo mais simples e intuitivo entre os listados para o cenário apresentado.
Alternativa D — ❌ Incorreta
LDA (Linear Discriminant Analysis) é um método que projeta os dados em um espaço de menor dimensão para maximizar a separabilidade entre classes, baseando-se em médias e covariâncias. Não utiliza explicitamente métricas de distância para classificar por vizinhança.
Alternativa E — ❌ Incorreta
Naïve Bayes é um classificador probabilístico baseado no Teorema de Bayes com a suposição de independência entre as características. Não envolve cálculo de distância ou vizinhança para classificar.
Gabarito: letra C