MINERACAO-Teste_ Atividade 4

Prévia do material em texto

D509.EAD - Mineração de Dad… Ques�onários A�vidade 4
Conta
Painel de
controle
Cursos
Grupos
Calendário
Caixa de
entrada
Histórico
Ajuda
A�vidade 4
Iniciado: 26 nov em 0:10
Instruções do teste
Salvando... 
Graduação Semestral | 2023.2
Página inicial
Avisos
Fóruns
Módulos
Tarefas
Programa
Zoom
Importante:
Caso você esteja realizando a a�vidade através do aplica�vo "Canvas Student", é necessário
que você clique em "FAZER O QUESTIONÁRIO", no final da página.
0,2 ptsPergunta 1
Leia o texto a seguir:
 
“A avaliação do resultado ob�do na análise de agrupamento é
comumente chamada de validação. Na validação do modelo de grupos
resultante de um algoritmo, tem-se o obje�vo de avaliar se esse modelo
de fato representa a organização dos exemplares no conjunto de dados
sob análise.”
 
Fonte: DA SILVA, L. A.; PERES, S. M.; BOSCARIOLI, C. Introdução à
Mineração de Dados Com aplicações em R. Rio de Janeiro: Elsevier,
2016. p. 179.
 
Avalie as seguintes asserções e a relação proposta entre elas.
 
I. A avaliação dos resultados ob�dos a par�r de algoritmos de
agrupamento pode ser feita considerando critérios de o�mização. Nesse
caso, se busca encontrar grupos que minimizam ou maximizam um
critério específico.
 
PORQUE
 
II. As relações Within-Cluster e Between-Cluster medem a compactação
(densidade) nos grupos e entre os grupos, o ideal é um alto within nos
grupos e um baixo between entre os grupos.
 
A respeito dessas asserções, assinale a opção correta
As asserções I e II são proposições verdadeiras, mas a II não é uma
jus�fica�va da I.
A asserção I é uma proposição falsa, e a II é uma proposição verdadeira.
As asserções I e II são ambas proposições falsas.
As asserções I e II são proposições verdadeiras, e a II é uma jus�fica�va
da I.
A asserção I é uma proposição verdadeira, e a II é uma proposição falsa.
0,2 ptsPergunta 2
Leia o texto a seguir:
 
“Árvore de decisão é uma das técnicas mais populares de mineração de
dados. Mais comumente usada para resolver a tarefa de classificação de
dados, a árvore de decisão consiste em uma coleção de nós internos e
nós folhas, organizados em um modelo hierárquico (da mesma forma que
se organizam as estruturas de dados do �po árvore). ”
 
Fonte: DA SILVA, L. A.; PERES, S. M.; BOSCARIOLI, C. Introdução à
Mineração de Dados Com aplicações em R. Rio de Janeiro: Elsevier,
2016. p. 101.
 
Considerando as afirmações apresentadas, assinale a opção correta.
A escolha do atributo predi�vo, que dividirá o conjunto de dados, deve ser
feita considerando aquele que melhor par�ciona o conjunto, diferentes
atributos resultam em diferentes par�ções. A opção deve considerar o
atributo mais discrimina�vo, de modo a obter melhores par�ções.
Boas par�ções são aquelas que apresentam um maior grau de pureza.
Assim, subconjuntos que contem registros de muitas classes são o obje�vo,
visto que, nesses casos, podemos dividir o subconjunto de modo que haja
poucos registros em cada folha da árvore.
Existem diferentes formas de medir o grau de pureza (ou impureza) nos
subconjuntos ob�dos a par�r da divisão. Dependendo do atributo
escolhido teremos diferentes subconjuntos e as medidas de impureza
avaliam cada combinação. Uma destas medidas é denominada Hunt.
Enquanto os objetos que estão em um determinado subconjunto, ou vér�ce
na árvore, têm a mesma classe o subconjunto deve ser dividido. A divisão se
encerra quando os objetos do subconjunto têm valores iguais para os
atributos de entrada (predi�vos), porém têm classes diferentes.
As divisões na árvore de decisão devem ser binárias. Atributos categóricos
que apresentam duas categorias resultarão em divisões binárias. Por outro
lado, atributos com mais de duas categorias, ou atributos numéricos, devem
ser agrupados para possibilitar uma divisão binária.
0,2 ptsPergunta 3
Leia o texto a seguir:
 
“Informalmente, um algoritmo é qualquer procedimento computacional
bem definido que toma algum valor ou conjunto de valores como entrada
e produz algum valor ou conjunto de valores como saída. Portanto, um
algoritmo é uma sequência de etapas computacionais que transforma a
entrada na saída.”
 
Fonte: CORMEN, T. H.; LEISERSON, C. E.; RIVEST, R. L.; STEIN, C.
Algoritmos: Teoria e Prá�ca. Rio de Janeiro: Elsevier, 2012. p. 03.
 
Qual alterna�va indica corretamente exemplos de algoritmos de
agrupamento?
Árvores de regressão, redes neurais, máquinas de vetores de suporte.
Regressão linear, regressão polinomial, rede neural Adaline.
k-médias, k-medoides, Single-Link.
Árvores de decisão, k-NN, regras de classificação.
Apriori, FP-Growth, algoritmo de Hunt.
0,2 ptsPergunta 4
Leia o texto a seguir:
 
“Uma vez construída a árvore, ela pode ser usada para classificar um
objeto de classe desconhecida. Para isso, basta testar os valores dos
atributos na árvore e percorrê-la até se a�ngir um nó folha, que
corresponde à classe predita para aquele objeto. As árvores de decisão
possuem as vantagens [...] esse �po de modelo [...] é chamado de caixa
branca. ”
 
Fonte: CASTRO, L. N.; FERRARI, D. G. Introdução à mineração de dados:
conceitos básicos, algoritmos e aplicações. São Paulo: Saraiva, 2016. p.
170.
 
Considerando as vantagens e desvantagens apresentadas pela árvore de
decisão, avalie as afirmações e selecione a alterna�va correta.
 
I. As árvores de decisão apresentam alto custo computacional na
indução do modelo predi�vo e na dedução de uma classe.
II. Dependendo do conjunto de dados, a árvore de decisão tem uma
precisão comparável com classificadores mais sofis�cados.
III. Dependendo das suas dimensões, a árvore de decisão possibilita
explicar facilmente a hipótese induzida para um novo objeto.
IV. Para problemas que apresentam muitas classes e poucos objetos o
desempenho (asser�vidade) da árvore de decisão é alto.
 
É correto o se afirma apenas em:
II e IV, apenas.
I e III, apenas.
III e IV, apenas.
I e II, apenas.
II e III, apenas.
0,2 ptsPergunta 5
Leia o texto a seguir:
 
“Os algoritmos par�cionais mais usados são o k-médias, o k-medoides e
variações de ambos. A maioria dos algoritmos hierárquicos são variações
dos métodos mais populares dessa categoria: single-link e complete-link.
Também são descritos algoritmos baseados em densidade (DBSCAN), em
grafos (MST) e em par�cionamento não exclusivo (fuzzy k-médias).”
 
Fonte: CASTRO, L. N.; FERRARI, D. G. Introdução à mineração de dados:
conceitos básicos, algoritmos e aplicações. São Paulo: Saraiva, 2016. p.
116.
 
Considere as seguintes descrições a respeito do funcionamento do
algoritmo K-Means (K-Médias).
 
I. O algoritmo K-Means (K-Médias) consiste na definição aleatória de K
centroides que representam a quan�dade de grupos que se pretende
obter.
II. Cada objeto no conjunto de dados é associado ao centroide mais
próximo, aqui se considera uma medida de distância entre os
centroides e os objetos.
III. A par�r da iden�ficação inicial dos grupos, os centroides são fixados
para cada um deles, de modo que representem o centro de gravidade de
cada grupo.
IV. O processo se encerra, com a verificação das distâncias entre os
centros de gravidade de cada grupo a par�r do estabelecimento arbitrário
de uma distância obje�vo.
 
É correto o que se afirma apenas em: 
II e IV, apenas.
II e III, apenas.
III e IV, apenas.
I e III, apenas.
I e II, apenas.
Enviar teste
Perguntas
 Pergunta 1
 Pergunta 2
 Pergunta 3
 Pergunta 4
 Pergunta 5
Tempo transcorrido:
Prazo da tenta�va encerrado: 26 nov em
23:59
5 Minutos, 9 Segundos
Ocultar hora
A+
A
A-
https://famonline.instructure.com/courses/31415
https://famonline.instructure.com/courses/31415/quizzes
https://famonline.instructure.com/courses/31415/quizzes/156289
https://famonline.instructure.com/
https://famonline.instructure.com/profile/settings
https://famonline.instructure.com/
https://famonline.instructure.com/courses
https://famonline.instructure.com/groups
https://famonline.instructure.com/calendar
https://famonline.instructure.com/conversations
http://help.instructure.com/https://famonline.instructure.com/courses/31415
https://famonline.instructure.com/courses/31415/announcements
https://famonline.instructure.com/courses/31415/discussion_topics
https://famonline.instructure.com/courses/31415/modules
https://famonline.instructure.com/courses/31415/assignments
https://famonline.instructure.com/courses/31415/assignments/syllabus
https://famonline.instructure.com/courses/31415/external_tools/34272