Baixe o app para aproveitar ainda mais
Prévia do material em texto
15/05/2023, 18:29 Avaliação II - Individual about:blank 1/5 Prova Impressa GABARITO | Avaliação II - Individual (Cod.:829246) Peso da Avaliação 1,50 Prova 62951517 Qtd. de Questões 10 Acertos/Erros 9/1 Nota 9,00 A classificação, também denominada de categorização, é a atividade de rotular dados com suas respectivas categorias temáticas, a partir de um conjunto de dados predefinidos. Os métodos de classificação podem ser de aprendizado on-line ou off-line, de acordo com a capacidade de construir e atualizar do classificador. Sobre as métricas de classificação, classifique V para as sentenças verdadeiras e F para as falsas: ( ) A precisão é a porcentagem de amostras classificadas como pertencentes à classe positiva e que realmente fazem parte de tal classe. ( ) A revocação, também chamada de sensibilidade ou recall, é uma métrica que, entre todas as situações de classe positiva como valor esperado, indica quantas estão corretas. ( ) Os verdadeiros negativos são baseados na classificação correta da classe negativa. ( ) A revocação é a porcentagem de amostras classificadas como pertencentes à classe positiva e que realmente fazem parte de tal classe. Assinale a alternativa que apresenta a sequência CORRETA: A V - V - V - F. B V - F - V - F. C F - V - V - F. D F - V - F - V. Esse tipo de método é considerado do tipo aprendizado preguiçoso, pois só olha os dados de treinamento quando precisa classificar um novo objeto. A partir de um novo objeto, de suas características, dispostas no espaço cartesiano, um novo objeto será classificado. Sobre o tipo de método de aprendizado de máquina a que o texto se refere, assinale a alternativa CORRETA: A Métodos Baseados em Distância. B Máquinas de Vetores de Suporte. C Redes Neurais. D Métodos Probabilísticos. O SVM é uma técnica de Aprendizagem de Máquina desenvolvida por Vapnik em 1995, que é fundamentada na Teoria de Aprendizado Estatístico e utilizada para a classificação de dados. VOLTAR A+ Alterar modo de visualização 1 2 3 15/05/2023, 18:29 Avaliação II - Individual about:blank 2/5 Assumindo que os dados de um dataset qualquer já foram carregados nas variáveis de treino e teste: X_train, X_test, y_train, y_test, sobre a implementação do SVM com o scikit-learn e para que o método seja executado com êxito, ordene os itens a seguir: I- print('A acurácia do SVM na base de treino é: {:.2f} '.for- mat(classificador_SVM.score(X_train_normalizado, y_train))) II- classificador_SVM.fit(X_train_normalizado, y_train) III- classificador_SVM = svm.SVC() IV- from sklearn import svm Assinale a alternativa que apresenta a sequência CORRETA: FONTE: DOSCIATTI, Mariza Miola; FERREIRA, L. P. C.; PARAISO, E. C. Identificando emoções em textos em português do Brasil usando máquina de vetores de suporte em solução multiclasse. ENIAC-Encontro Nacional de Inteligência Artificial e Computacional. Fortaleza, Brasil, 2013. A I - II - III - IV. B IV - II - III - I. C IV - III - II - I. D IV - II - I - III. Os métodos de classificação baseados em distância consideram proximidade entre dados em relação ao espaço cartesiano. Esse tipo de método considera que dados similares tendem a estar em uma mesma região no espaço de entrada. Sobre os elementos que compõem a classificação, baseados em distância, associe os itens, utilizando o código a seguir: I- Similaridade. II- Dissimilaridade. III- Minkowski. IV- Euclidiana. ( ) Um tipo de proximidade na qual quanto maior o valor observado, mais parecidos são os objetos. Por exemplo, o coeficiente de correlação. ( ) Um tipo de proximidade na qual quanto maior o valor observado, menos parecidos (mais dissimilares) serão os objetos. ( ) É uma das medidas de dissimilaridade entre comunidades mais utilizadas na prática. Quanto menor o valor da distância euclidiana entre dois objetos, mais próximas elas se apresentam em termos de parâmetros quantitativos por classe; logo, quanto menor a distância euclidiana, maior a eficiência do procedimento. ( ) É uma generalização da distância euclidiana, em que r é um parâmetro, n é o número de dimensões (atributos) e pk e qk são, respectivamente, os k-ésimos atributos (componentes) dos objetos de dados p e q. Assinale a alternativa que apresenta a sequência CORRETA: A I - II - III - IV. B I - II - IV - III. C IV - III - II - I. 4 15/05/2023, 18:29 Avaliação II - Individual about:blank 3/5 D IV - III - I - II. Em sua definição, um problema de classificação, supervisionado, é um programa de computador que recebe amostras (entradas) e respostas esperadas (saídas) para elas, e gera uma hipótese genérica capaz de mapear as entradas para as saídas corretas. Sobre o modo de aprendizado dos algoritmos de classificação, assinale a alternativa CORRETA: FONTE: VON LOCHTER, Johannes. Máquinas de classificação para detectar polaridade de mensagens de texto em redes sociais. 2015. Disponível em: https://1library.org/document/zwvlopgq- maquinas-classificacao-detectar-polaridade-mensagens-texto-redes-sociais.html. Acesso em: 13 abr. 2021. A Semi-supervisionado. B Supervisionado. C Não supervisionado. D Por esforço. O scikit-learn é uma biblioteca de Python que possui várias implementações de algoritmos de aprendizado de máquina, tais como de regressão, classificação e agrupamento. Foi projetado para facilitar o uso do aprendizado de máquina através de uma linguagem simplificada. Assumindo que os dados de um dataset qualquer já foram carregados nas variáveis de treino e teste: X_train, X_test, y_train, y_test. Sobre a implementação do Naive Bayes com o scikit-learn, para que o comando seja executado com êxito, ordene os itens a seguir: I- print('A acurácia do Naive Bayes na base de treino é: {:.2f} '.format(classificador_NB.score(X_train_normalizado, y_train))) II- classificador_NB = MultinomialNB() III- classificador_NB.fit(X_train_normalizado, y_train) IV- from sklearn.naive_bayes import MultinomialNB Assinale a alternativa que apresenta a sequência CORRETA: FONTE: COSTA, Axel Vieira Gomes et al. Classificador de fake news utilizando um modelo de aprendizado de máquina com técnicas de processamento de linguagem natural. 2020. Disponível em: https://repositorio.ufersa.edu.br/handle/prefix/5851. Acesso em: 13 abr. 2021. A IV - III - II - I. B I - III - IV - II. C I - II - III - IV. D IV - II - III - I. 5 6 15/05/2023, 18:29 Avaliação II - Individual about:blank 4/5 Uma das bases de dados mais utilizadas para estudos de machine learning é o conjunto de dados Iris, no qual a partir de um conjunto de dados sobre flores, é possível realizar sua classificação. Acerca do conjunto de dados Iris e o campo que representa seu rótulo em uma tarefa de classificação, assinale a alternativa CORRETA: A SepalLengthCm. B PetallLengthCm. C Species. D Id. A classificação é uma tarefa de machine learning que tem por objetivo classificar itens de dados em uma entre diversas classes previamente definidas, com base em propriedades comuns, entre um conjunto de objetos no banco de dados. Sobre a saída de um classificador binário analise os exemplos que se encaixam nesse tipo assinalando-os com V ou F. ( ) Reconhecer como "positivo" ou "negativo". ( ) Diagnosticar se um paciente tem determinada doença. ( ) Classificar um texto em 20 tipos de categorias. ( ) Determinar se uma foto contém um item específico ou não. Assinale a alternativa que apresenta a sequência CORRETA: FONTE: MAXIMO, Fernando Attique; OLIVEIRA, SR de M.; LOPES-ASSAD, Maria Leonor. Avaliação de métodos de seleção de atributos para classificação de solos. In: Embrapa Informática Agropecuária-Artigo em anais de congresso (ALICE). In: CONGRESSO BRASILEIRO DE AGROINFORMÁTICA, 6., 2007, São Pedro, SP. Anais... Campinas: Embrapa Informática Agropecuária, 2007. A F - V - V - F. B V - F - V - F. C V - V - F - V. D F - F - V - V. A regressão logística é um classificador linear, membro do conjunto de modelos de regressãolinear chamado Modelos Lineares Generalizados, utilizado para o desenvolvimento dos mais diversos tipos de previsões com machine learning. Assumindo que os dados de um dataset qualquer já foram carregados nas variáveis de treino e teste: X_train, X_test, y_train, y_test, sobre a implementação da 7 8 9 15/05/2023, 18:29 Avaliação II - Individual about:blank 5/5 Regressão Logística com o scikit-learn, e para que o método seja executado com êxito, ordene os itens a seguir: I- from sklearn.linear_model import LogisticRegression II- classificador_RLog = LogisticRegression(random_state=0) III- print('A acurácia da Regressão Logistíca na base de treino é: {:.2f} '.format(classificador_RLog.score(X_train_normalizado,y_train))) IV- classificador_RLog.fit(X_train_normalizado, y_train) Assinale a alternativa que apresenta a sequência CORRETA: A I - II - IV - III. B IV - II - III - I. C IV - III - II - I. D I - II - III - IV. A distância euclidiana é uma das medidas de dissimilaridade entre comunidades mais utilizada na prática. Assim, quanto menor o valor da distância euclidiana entre dois objetos, mais próximas elas se apresentam em termos de parâmetros quantitativos. Considere a fórmula da distância euclidiana apresentada em anexo e classifique V para as sentenças verdadeiras e F para as falsas: ( ) Xi representa um determinado objeto (dentro de X) sob qual se calculará a distância. ( ) Yi representa um determinado objeto (dentro de Y) sob qual se calculará a distância. ( ) i=o significa que haverá uma iteração terminando em 0. ( ) n representa o número de objetos que serão iterados. Assinale a alternativa que apresenta a sequência CORRETA: A V - F - V - F. B F - V - F - V. C V - V - F - V. D V - F - F - V. 10 Imprimir
Compartilhar