Questão de Banco de Dados — Banco de Dados — FUNDATEC 2023
Banco de Dados›Banco de Dados
Código
qq890130
Banca
FUNDATEC
Órgão
BRDE
Ano
2023
Nível
Superior
Cargo
Analista de Sistemas - Ciência de Dados
Grupos com um (ou poucos) exemplares são inicialmente formados e, iterativamente, recebem mais exemplares, localizados na vizinhança do grupo, e crescem até que um limiar seja atingido. O algoritmo DBSCAN é um dos representantes desta categoria. Esse exemplo descreve a tarefa de agrupamento (clustering) denominada estratégia baseada em:
ADensidade.
BPartição.
CHierarquia top-down.
DHierarquia botton-up.
EVizinhança.
Revelar gabarito e comentário▾
GabaritoA — Densidade.
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”.
Algoritmos de Agrupamento (Clustering) Baseados em Densidade
Gabarito: letra A. O enunciado descreve exatamente o funcionamento dos algoritmos baseados em densidade, como o DBSCAN: a partir de um ponto central (ou poucos exemplares), o cluster é expandido incluindo pontos vizinhos dentro de um raio, até que um limiar de densidade não seja mais atingido. Essa abordagem contrasta com as demais categorias (partição, hierarquia), que não se baseiam na densidade local dos dados.
A banca cobra o conhecimento das principais categorias de algoritmos de clustering. O contexto de apoio classifica o DBSCAN como "Baseados em densidade", confirmando a alternativa correta.
Algoritmos de clustering: Baseados em partição (k-means, k-medoids, Nº pré-definido de clusters); Baseados em hierarquia (Aglomerativa (bottom-up), Divisiva (top-down)); Baseados em densidade (DBSCAN, OPTICS, Cresce por densidade local, Limiar de vizinhança)
Alternativa A — ✅ Correta ⟵ GABARITO
A descrição fornecida é a definição clássica da abordagem baseada em densidade. Algoritmos como DBSCAN e OPTICS formam clusters como regiões densas no espaço de dados, separadas por regiões de baixa densidade. O processo de crescimento iterativo a partir de sementes até um limiar é a essência do método.
Alternativa B — ❌ Incorreta
A abordagem de partição (ex.: k-means, k-medoids) divide o conjunto de dados em um número pré-definido de clusters, sem considerar a densidade local. O processo descrito não se encaixa nessa categoria, pois não há definição prévia do número de grupos nem atribuição de pontos ao centroide mais próximo.
Alternativa C — ❌ Incorreta
A hierarquia top-down (divisiva) começa com todos os pontos em um único cluster e recursivamente os divide. A descrição fala em grupos iniciais pequenos que crescem, o que é o oposto.
Alternativa D — ❌ Incorreta
A hierarquia bottom-up (aglomerativa) começa com cada ponto como um cluster e mescla os mais próximos. Embora haja crescimento, o processo é diferente: a mescla ocorre por similaridade global, não por densidade local com limiar de vizinhança.
Alternativa E — ❌ Incorreta
"Vizinhança" não é uma categoria de clustering, mas sim um conceito utilizado em várias abordagens (especialmente na baseada em densidade). A categoria correta é densidade, e não vizinhança isoladamente.
PEGA ESSA DICA!
Memorize as categorias de clustering e seus algoritmos representantes: partição (k-means), hierárquico (aglomerativo/divisivo), densidade (DBSCAN), grid (STING) e modelos (GMM). A banca costuma descrever o funcionamento e pedir para identificar a categoria. Grife que DBSCAN é o algoritmo mais conhecido da abordagem baseada em densidade.