Noções de Informática · FGV · 2025 | Questão sqc-fg106113

Noções de InformáticaInteligência Artificial e Automação

Código: fg106113
Banca: FGV
Órgão: AgSUS
Ano: 2025
Nível: Superior

Cargo: Analista de Gestão Tecnologia da Informação

Árvore de Decisão (AD) é um método de aprendizado supervisionado não paramétrico usado para tarefas de classificação e regressão que podem ser facilmente implementados Python 3.0 através da biblioteca scikit-learn versão 1.7. Com relação às vantagens da utilização das AD através dessa biblioteca, analise as afirmativas a seguir.I. O custo de uso da AD é logarítmico em relação ao número de pontos de dados usados para treinar a árvore.II. As previsões das AD são suaves e contínuas e apresentam aproximações constantes por partes. Portanto, são boas para extrapolação de dados.III. AD apresentam bom desempenho mesmo que suas suposições sejam de alguma forma violadas pelo modelo verdadeiro a partir do qual os dados foram gerados.IV. AD são estáveis, pois grandes variações nos dados podem resultar na geração de árvore equivalentes. Essa condição é assegurada pelo uso de AD dentro de pequenos conjuntos de dados.Está correto o que se afirma em

AI, II, III e IV.
BII e IV, apenas.
CII e III, apenas.
DI e IV, apenas.
EI e III, apenas.

Revelar gabarito e comentário

GabaritoE — 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”.

Árvores de Decisão no scikit-learn

Gabarito: letra E. Apenas as afirmativas I e III estão corretas. O custo de predição de uma árvore de decisão balanceada é logarítmico em relação ao número de pontos de treinamento (afirmativa I), e as árvores são robustas a violações de suposições por serem não paramétricas (afirmativa III). As afirmativas II e IV são falsas: as previsões não são suaves e contínuas, mas constantes por partes, e as árvores são instáveis, não estáveis.

Afirmativa	Conteúdo	Veredito	Justificativa
I	Custo de uso logarítmico em relação ao número de pontos de treinamento	✅ Correta	Predição em árvore balanceada é O(log n)
II	Previsões suaves, contínuas e boas para extrapolação	❌ Incorreta	Previsões são constantes por partes; não extrapolam bem
III	Bom desempenho mesmo com violação de suposições	✅ Correta	Método não paramétrico, robusto a violações
IV	Estabilidade diante de grandes variações nos dados	❌ Incorreta	Árvores são instáveis; pequenas variações geram árvores diferentes

Afirmativa I — ✅ Correta

O custo de uso (predição) de uma árvore de decisão balanceada é $O(\log n)$ , onde $n$ é o número de pontos de treinamento. Essa característica torna a inferência eficiente.

Afirmativa II — ❌ Incorreta

Árvores de decisão produzem aproximações constantes por partes (piecewise constant), não suaves e contínuas. Além disso, não são boas para extrapolação, pois apenas replicam o valor da região onde o ponto de teste cai.

Afirmativa III — ✅ Correta

Por ser um método não paramétrico, a árvore de decisão não assume distribuições específicas dos dados, sendo robusta mesmo quando as suposições de modelos paramétricos são violadas.

Afirmativa IV — ❌ Incorreta

Árvores de decisão são conhecidas por sua instabilidade: pequenas variações nos dados podem gerar árvores muito diferentes. A afirmativa inverte a característica.

Gabarito: letra E — itens I e III corretos.

Link permanente: /questoes/fg106113