Questão de TI - Ciência de Dados e Inteligência Artificial — Scikit-Learn — FGV 2026
TI - Ciência de Dados e Inteligência ArtificialScikit-Learn
- Código
- fg157187
- Banca
- FGV
- Órgão
- ALEGO
- Ano
- 2026
- Cargo
- Ana Leg ( )
A biblioteca scikit-learn (versão 1.7.2) do Python (versão 3) oferece uma classe que implementa a regressão logística. Seleciona a alternativa que apresenta a sintaxe correta dessa classe.
- Aclass sklearn.linear_model.MaxEnt(penalty='l2', *, dual=False, tol=0.0001, C=1.0, fit_intercept=True, intercept_scaling=1, class_weight=None, random_state=None, solver='lbfgs', max_iter=100, multi_class='deprecated', verbose=0, warm_start=False, n_jobs=None, l1_ratio=None)
- Bclass sklearn.linear_model.Logit(penalty='l2', *, dual=False, tol=0.0001, C=1.0, fit_intercept=True, intercept_scaling=1, class_weight=None, random_state=None, solver='lbfgs', max_iter=100, multi_class='deprecated', verbose=0, warm_start=True, l1_ratio=None).
- Cclass sklearn.linear_model.LogitRegression(penalty='l1', *, dual=False, tol=0.1, C=1.0, fit_intercept=True, intercept_scaling=10, class_weight=None, regression_step= '1', random_state=None, solver='lbfgs', min_iter=1000, warm_start=True, n_jobs=None, l1_ratio=None).
- Dclass sklearn.linear_model.Sigmoid(penalty='l1', *, dual=False, tol=0.000001, C=1.0, fit_intercept=True, intercept_scaling=10, class_weight=None, random_state=None, solver='lbfgs', min_iter=1000, multi_class='deprecated', verbose=1, warm_start=True, n_jobs=None, l1_ratio=None).
- Eclass sklearn.linear_model.LogisticRegression(penalty='l2', *, dual=False, tol=0.0001, C=1.0, fit_intercept=True, intercept_scaling=1, class_weight=None, random_state=None, solver='lbfgs', max_iter=100, multi_class='deprecated', verbose=0, warm_start=False, n_jobs=None, l1_ratio=None).