Respostas Desafio do Módulo 3_ 2022-5A - Bootcamp - Engenheiro(a) de Machine Learning

Prévia do material em texto

Desa�o do Módulo 3
Entrega 10 jul em 23:59 Pontos 40 Perguntas 15
Disponível até 10 jul em 23:59 Limite de tempo Nenhum
Tentativas permitidas 2
Instruções
Histórico de tentativas
Tentativa Tempo Pontuação
MAIS RECENTE Tentativa 1 2.336 minutos 40 de 40
O Desafio do Módulo 3 está disponível!
1. Instruções para realizar o desafio
Consulte a data de entrega no teste e em seu calendário.
Reserve um tempo para realizar a atividade e leia as orientações e enunciados com atenção. Em
caso de dúvidas, utilize o "Fórum de dúvidas do Desafio do Módulo 3".
Para iniciar o Desafio, clique em "Fazer teste". Você tem somente uma tentativa e não há limite de
tempo definido para realizá-la. Caso você precise interromper a atividade, apenas deixe a página e,
ao retornar, clique em "Retomar teste".
Lembre-se de conferir todas as questões antes de enviar a atividade, e clique em "Enviar teste"
somente quando você tiver terminado.
Uma vez terminado o prazo de entrega, a plataforma enviará as tentativas não finalizadas
automaticamente. Por isso, fique atento ao prazo final.
Novas tentativas só serão concedidas perante a apresentação de atestado médico.
O gabarito será disponibilizado partir de domingo, 10/07/2022, às 23h59.
Bons estudos!
2. O arquivo abaixo contém o enunciado do desafio
Enunciado do Desafio - Módulo 3 - Engenheiro(a) de Machine Learning.pdf
Fazer o teste novamente
https://online.igti.com.br/courses/4755/quizzes/57014/history?version=1
https://online.igti.com.br/courses/4755/files/307305/download?wrap=1
https://online.igti.com.br/courses/4755/quizzes/57014/take?user_id=238139
 As respostas corretas estarão disponíveis em 10 jul em 23:59.
Pontuação desta tentativa: 40 de 40
Enviado 7 jul em 13:35
Esta tentativa levou 2.336 minutos.
2,67 / 2,67 ptsPergunta 1
O objetivo dessa base é avaliar se uma pessoa vai ser um paciente
hepático ou não. A feature que determina a classe nessa base é a
“V7”.
 Verdadeiro. 
 Falso. 
2,67 / 2,67 ptsPergunta 2
Sobre as informações de número de features e amostras, marque
a alternativa CORRETA. 
 
A base conta com 583 amostras e 11 features incluindo o atributo da
classe.
 
A base conta com 583 features e 11 amostras excluindo o atributo da
classe.
 
A base conta com 583 amostras e 11 features excluindo o atributo da
classe.
 
A base conta com 583 features e 11 amostras incluindo o atributo da
classe.
2,67 / 2,67 ptsPergunta 3
Essa base conta com 3 atributos categóricos. Precisamos fazer o pré
processamento desses atributos para que todos sejam numéricos.
 Falso. 
 Verdadeiro. 
2,67 / 2,67 ptsPergunta 4
A base não tem dados faltantes. 
 Verdadeiro. 
 Falso. 
2,67 / 2,67 ptsPergunta 5
Sobre o best_score_ encontrado durante a otimização do
SVC, marque a alternativa CORRETA. 
 O valor da f1 encontrado foi aproximadamente 0.83. 
 O valor da f1 encontrado foi aproximadamente 0.76. 
 O valor da f1 encontrado foi aproximadamente 0.93. 
 O valor da f1 encontrado foi aproximadamente 0.73. 
2,67 / 2,67 ptsPergunta 6
O best_params_ encontrado durante a otimização do SVC indica que
a melhor combinação de parâmetros usa um kernel RBF. 
 Verdadeiro. 
 Falso. 
2,67 / 2,67 ptsPergunta 7
O best_params_ encontrado durante a otimização do SVC indica que
C encontrado é aproximadamente 5. 
 Falso 
 Verdadeiro 
2,67 / 2,67 ptsPergunta 8
A melhor combinação de best_params_ encontrado durante
a otimização do SVC é: 
 Kernel RBF com C = 3.987 
 Kernel RBF com C = 6.893 
 Kernel Poly com C = 6.834 
 Kernel Poly com C = 3.996 
2,67 / 2,67 ptsPergunta 9
Sobre o best_score_ encontrado durante a otimização
do Random Forest, marque a alternativa CORRETA. 
 O valor da f1 encontrado foi aproximadamente 0.83. 
 O valor da f1 encontrado foi aproximadamente 0.80. 
 O valor da f1 encontrado foi aproximadamente 0.90. 
 O valor da f1 encontrado foi aproximadamente 0.78. 
2,67 / 2,67 ptsPergunta 10
O best_params_ encontrado durante a otimização
do Random Forest indica que a melhor combinação de parâmetros
usa Boostrap True. 
 Falso. 
 Verdadeiro. 
2,67 / 2,67 ptsPergunta 11
O best_params_ encontrado durante a otimização
do Random Forest indica que a melhor combinação de parâmetros
usa Criterion Entropy. 
 Falso. 
 Verdadeiro. 
2,67 / 2,67 ptsPergunta 12
O best_params_ encontrado durante a otimização
do Random Forest indica que a melhor combinação de parâmetros
conta com quantos estimadores? 
 n_estimators: 622 
 n_estimators: 374 
 n_estimators: 488 
 n_estimators: 814 
2,67 / 2,67 ptsPergunta 13
Suponha que nossas duas opções para solução do problema sejam o
SVC e o Random Forest que foram modelados anteriormente. Além
disso, não é possível rodar o experimento novamente com outros
parâmetros. Marque a alternativa que justifica de forma CORRETA
a escolha do modelo mais adequado.
 
O Random Forest deveria ser escolhido já que ele conta com um
número alto de estimadores.
 
O SVC é o modelo que deveria ser escolhido já que ele apresenta uma
f1 maior.
 O SVC deveria ser escolhido já que ele usa um kernel melhor. 
 
O Random Forest é o modelo que deveria ser escolhido já que ele
apresenta uma f1 menor.
2,67 / 2,67 ptsPergunta 14
 Como os dois modelos apresentaram resultados semelhantes de f1,
podemos entender que a capacidade de generalização dos
modelos deve ser semelhante na prática. Nesse caso, não faz sentido
a análise de outras métricas para validação dos modelos. 
 Falso. 
 Verdadeiro. 
2,62 / 2,62 ptsPergunta 15
Os modelos treinados apresentam resultados de f1 semelhantes por
se tratarem de modelos com estrutura de implementação semelhantes,
são ambos modelos de árvores de decisão. Nesse caso, sempre que
treinarmos um modelo de árvore, a tendência é que o resultado de f1
seja próximo aos encontrados nesse desafio. 
 Verdadeiro. 
 Falso. 
Pontuação do teste: 40 de 40