GabaritoE — [imagem]
Gabarito: letra E. A classe correta que implementa a regressão logística na biblioteca scikit-learn é LogisticRegression, localizada no módulo sklearn.linear_model. Esta classe encapsula os algoritmos necessários para treinar modelos de classificação linear baseados na função logística.
O scikit-learn é uma das bibliotecas mais utilizadas em Python para aprendizado de máquina. A estrutura de suas classes segue um padrão consistente: para modelos lineares, o módulo sklearn.linear_model agrupa diversas implementações, como regressão linear simples, regressão Ridge, Lasso e, claro, a regressão logística. A sintaxe apresentada na alternativa E reflete os parâmetros padrão da versão 1.7.2, incluindo o solver lbfgs (padrão para problemas de classificação multiclasse e binária) e a penalidade l2.
Utiliza o nome de classe MaxEnt (referência a Maximum Entropy, que é matematicamente equivalente à regressão logística multinomial), mas esta não é a nomenclatura oficial da classe no scikit-learn.
Utiliza o nome de classe Logit, que é comum em outras bibliotecas estatísticas (como o statsmodels), mas não no scikit-learn.
Embora utilize LogitRegression, o nome correto é LogisticRegression. Além disso, apresenta parâmetros inexistentes ou incorretos para a versão citada, como regression_step e min_iter.
Utiliza o nome de classe Sigmoid, que não corresponde à classe de regressão logística do scikit-learn.
Apresenta a sintaxe correta da classe LogisticRegression com seus parâmetros padrão, como penalty='l2', solver='lbfgs' e max_iter=100, conforme a documentação da biblioteca.
Ao trabalhar com modelos no scikit-learn, sempre verifique a documentação oficial para o módulo específico (linear_model, ensemble, tree, etc.). A consistência nos nomes das classes e nos parâmetros (como random_state para reprodutibilidade) é uma marca registrada da biblioteca que facilita muito o fluxo de trabalho.
Gabarito: letra E.
Link permanente: /questoes/fg125974