11- Atividade Objetiva 03 - Modelagem e Preparação de Dados para Machine Learning (2021)

Prévia do material em texto

Pontuação desta tentativa: 10 de 10
Enviado 20 jun em 19:33
Esta tentativa levou 24 minutos.
2 / 2 ptsPergunta 1
As técnicas de discretização podem ser classificadas sobre vários
aspectos: Supervisionadas e Não supervisionadas e pelo método
utilizado, Direto e Incremental. Avalie as afirmações a seguir:
1. A discretização Supervisionada não leva em consideração a
informação dos grupos a que pertencem as instâncias de treinamento.
2. A discretização Não supervisionada leva em conta os grupos a que
pertencem as instâncias no conjunto de treinamento.
3. Os métodos de discretização diretos dividem os valores do atributo
em um número de intervalos previamente definido pelo usuário.
4. Os métodos incrementais para a discretização de atributos é
realizado iterativamente até que um critério de parada seja alcançado.
É correto o que se afirma em:
 Apenas (1) e (2) 
 Apenas (2) e (3) 
 Apenas (3) e (4) 
 Todas estão corretas 
2 / 2 ptsPergunta 2
Uma base de dados é considerada desbalanceada se existe nela
objetos (instâncias) pertencentes a uma classe, em menor número em
relação à outra. Avalie as afirmações a seguir:
1. De acordo com a literatura pode ser considerado base
desbalanceada se a relação do número de objetos das classes são da
ordem de 1:10.
2. O desbalanceamento nas bases de dados pode ocorrer por motivos
intrínsecos devido à própria natureza do problema. Por exemplo, em
detecção de fraudes, existem poucas instâncias (pessoas) que
cometem fraudes em relação às outras.
3. O desbalanceamento nas bases de dados pode ocorrer por motivos
não intrínsecos devido ao limitado processo da coleta de dados, por
razões econômicas ou de privacidade. Uma alternativa é inserir novas
instâncias para diminuir o desbalanceamento.
4. Quando a base de dados é desbalanceada é necessário aplicar
métodos para equilibrar a quantidade de objetos de cada classe. Se
não for feito isto, o modelo pode apresentar comportamento
polarizado.
É correto o que se afirma em:
 Apenas (1) e (2) 
 Apenas (2) e (3) 
 Apenas (3) e (4) 
 Apenas (2), (3) e (4) 
2 / 2 ptsPergunta 3
Durante a preparação de dados podem existir valores “outliers”. Caso
nosso objetivo NÂO seja minerar eventos raros e considerando uma
variável com GRANDE VARIABILIDADE (desvio padrão alto) a prática
mostra que a eliminação de outliers pode seguir as seguintes regras:
1. Eliminar registros se: Valor atributo > Média + 3*Desvio-padrão ou
Valor atributo < Média - 3*Desvio-padrão.
2. Eliminar registros se: Valor atributo > Média + 1*Desvio-padrão ou
Valor atributo < Média - 1*Desvio-padrão.
3. Eliminar registros se: Valor atributo > Média + 2*Desvio-padrão.
4. Eliminar registros se: Valor atributo < Média - 2*Desvio-padrão.
É correto o que se afirma em:
 
Eliminar registros se: Valor atributo > Média + 1*Desvio-padrão ou Valor
atributo < Média - 1*Desvio-padrão.
 
 Eliminar registros se: Valor atributo > Média + 2*Desvio-padrão. 
 Eliminar registros se: Valor atributo < Média - 2*Desvio-padrão. 
 
Eliminar registros se: Valor atributo > Média + 2*Desvio-padrão ou Valor
atributo < Média - 2*Desvio-padrão.
 
2 / 2 ptsPergunta 4
O pré-processamento da base de dados busca adequar o conjunto de
dados para serem aplicados aos algoritmos de Aprendizado de
máquina. Avalie as afirmações a seguir:
1. Todos os atributos do conjunto de dados precisam ser codificados e
transformados de forma que possam servir de entrada para os
algoritmos de Mineração de Dados.
2. Normalmente quando se deseja aplicar uma medida de
dissimilaridade (por exemplo, cálculo da distância euclideana) é
necessária a transformação ou mudanças de escala dos atributos. Isto
para garantir que não existam atributos com maior significado que
outras.
3. A melhor forma de transformar os dados é verificar quais requisitos
a solução precisa atender e quais são os requisitos que a técnica de
mineração de dados impõe.
É correto o que se afirma em:
 Apenas em (1) e (3) 
 Apenas em (2) e (3) 
 Somente em (1) 
 Apenas em (1) e (2) 
2 / 2 ptsPergunta 5
Durante a preparação de dados a aplicação de técnicas de
discretização possuem algumas vantagens e desvantagens. Avalie as
afirmações a seguir:
1. Os Algoritmos de aprendizado de máquina, como redes neurais
artificiais e SVM são capazes de lidar com dados contínuos, porém são
menos eficientes para interpretabilidade dos resultados.
2. O processo de discretização também pode ser entendido como uma
técnica para redução de dados a qual facilita a interpretabilidade dos
resultados.
3. O processo de discretização pode acarretar perda de informação.
Isso pelo fato de que o intervalo de discretização pode esconder
“insights” interessantes.
4. Reduzir a perda de informação é o principal objetivo quando
aplicamos técnicas de discretização.
É correto o que se afirma em:
 Apenas (2) e (4) 
 Apenas (1), (2) e (4) 
 Todas estão corretas 
 Apenas (1) e (4) 
Pontuação do teste: 10 de 10