GabaritoD — Regressão linear.
Gabarito: letra D. A regressão linear é o algoritmo padrão para estimar valores contínuos (regressão), minimizando o erro quadrático entre valores previstos e reais por meio do ajuste de uma função linear aos dados. Os demais algoritmos são de clusterização (AGNES, K-means) ou classificação (Naïve Bayes) ou não são padrão (Árvore de sinergia).
A questão testa o conhecimento básico sobre o propósito de diferentes algoritmos de aprendizado de máquina. Quando o problema é estimar um valor contínuo (regressão), a regressão linear é a abordagem mais direta e clássica.
AGNES (Aglomerative Nesting) é um algoritmo de clusterização hierárquica para agrupar dados em clusters, não para estimar valores contínuos.
Naïve Bayes é um classificador probabilístico baseado no teorema de Bayes, adequado para predição de classes discretas (classificação), não para regressão.
"Árvore de sinergia" não é um termo padrão em aprendizado de máquina. Possivelmente refere-se a árvores de decisão, que são mais comuns em classificação. Embora existam árvores de regressão, o termo "sinergia" é atípico e a regressão linear é mais adequada para a tarefa de minimizar erro de estimação contínua.
A regressão linear é o algoritmo mais adequado para modelar a relação entre um conjunto de atributos (variáveis independentes) e um valor contínuo (variável dependente). Ela minimiza o erro de estimação através do método dos mínimos quadrados, sendo amplamente utilizada em problemas de regressão.
K-means é um algoritmo de clusterização que particiona os dados em K grupos com base em similaridade, não é utilizado para predição de valores contínuos.
Gabarito: letra D.
Link permanente: /questoes/qq726715