Algoritmos de aprendizado de máquina
Gabarito: letra A. O enunciado descreve precisamente o SVM (Support Vector Machine): um algoritmo que constrói modelos preditivos em espaços de alta dimensão, encontrando o hiperplano ótimo que maximiza a margem entre classes, utilizando vetores suporte. As demais alternativas são métodos ensemble (Bagging, AdaBoost, Random Forest) que não se baseiam em hiperplanos e margens.
Alternativa A — ✅ Correta ⟵ GABARITO
O SVM (Support Vector Machine) é o algoritmo clássico de classificação que busca o hiperplano que melhor separa as classes, maximizando a distância (margem) entre os pontos mais próximos de cada classe — os vetores suporte. A descrição do enunciado casa exatamente com essa definição.
Alternativa B — ❌ Incorreta
Bagging (Bootstrap Aggregating) é um método ensemble que combina múltiplos modelos (geralmente árvores de decisão) treinados em subconjuntos bootstrap dos dados, reduzindo variância. Não envolve hiperplanos nem maximização de margem.
Alternativa C — ❌ Incorreta
AdaBoost (Adaptive Boosting) é um algoritmo de boosting que combina classificadores fracos sequencialmente, ajustando pesos dos exemplos mal classificados. Também não utiliza hiperplanos ou vetores suporte.
Alternativa D — ❌ Incorreta
Random Forest é um ensemble de árvores de decisão, cada uma treinada em uma amostra bootstrap e com subconjunto aleatório de atributos. Não há conceito de hiperplano ou margem.
Conclusão: A única alternativa que corresponde à descrição é o SVM, letra A.