Baixe o app para aproveitar ainda mais
Prévia do material em texto
14/04/2024, 16:27 Atividade de fixação - Preparação de dados: 14 - Machine Learning (2023) https://pucminas.instructure.com/courses/145875/quizzes/381668 1/2 Atividade de fixação - Preparação de dados Entrega Sem prazo Pontos 4 Perguntas 3 Limite de tempo Nenhum Tentativas permitidas Sem limite Histórico de tentativas Tentativa Tempo Pontuação MAIS RECENTE Tentativa 1 3 minutos 4 de 4 As respostas corretas estão ocultas. Pontuação desta tentativa: 4 de 4 Enviado 14 abr em 16:31 Esta tentativa levou 3 minutos. Pergunta 1 2 / 2 pts Dado quantitativo temperatura Dado qualitativo binominal sexo Dado qualitativo ordinal ordem de nascimento Dado qualitativo nominal cor do olho Pergunta 2 1 / 1 pts Fazer o teste novamente Relacione os tipos de dados com as informações que se deseja medir a seguir: Sobre o processo de preparação de dados, podemos afirmar que https://pucminas.instructure.com/courses/145875/quizzes/381668/history?version=1 https://pucminas.instructure.com/courses/145875/quizzes/381668/take?user_id=194797 14/04/2024, 16:27 Atividade de fixação - Preparação de dados: 14 - Machine Learning (2023) https://pucminas.instructure.com/courses/145875/quizzes/381668 2/2 Campos do tipo data ou moeda podem frequentemente sofrer com inconsistência por formato de codificação. Campos do tipo data ou moeda podem realmente sofrer com inconsistência por formato de codificação. Registros com dados conflitantes devem ser agregados em um único registro para não produzirem conhecimento falso. Atributos redundantes podem ajudar a acelerar a convergência dos modelos. Ruídos de atributos tendem a ser aleatórios, enquanto ruídos de classe devem-se a erros de medição. Pergunta 3 1 / 1 pts Falso Verdadeiro A afirmativa está correta, pois essas são as principais estratégias para lidar com dados omissos. Lidar com dados omissos é uma tarefa básica da fase de preparação de dados e influencia diretamente o desempenho dos modelos. Pontuação do teste: 4 de 4 Entre as estratégias para lidar com dados omissos estão: remoção de atributos, remoção de registros, inferência de valores ou atribuição de valores especiais.
Compartilhar