Modelagem Estatística e Algoritmos de Aprendizado

Prévia do material em texto

Prova- 84: Modelagem Estatística e Algoritmos de Aprendizado
Introdução
Essa prova aborda tópicos de modelagem estatística e algoritmos de aprendizado de máquina. Focaremos em técnicas como regressão, aprendizado supervisionado e não supervisionado, além de discutir a avaliação de modelos preditivos.
Questões
1. O que caracteriza um modelo de regressão linear?
a) Um modelo que não faz nenhuma suposição sobre a relação entre as variáveis.
b) Um modelo que prevê a variável dependente como uma função linear das variáveis independentes.
c) Um modelo usado para prever a categoria de dados.
d) Um modelo baseado em regras de decisão.
e) Um modelo de aprendizado não supervisionado.
2. O que é aprendizado supervisionado?
a) Um método em que o modelo aprende com dados sem rótulos.
b) Um método onde o modelo faz previsões com base em um conjunto de rótulos conhecidos.
c) Um método que agrupa dados com base em similaridade.
d) Um método que otimiza a função de custo com dados não rotulados.
e) Um método que não utiliza dados históricos.
3. O que é um modelo de classificação?
a) Um modelo usado para prever valores contínuos.
b) Um modelo usado para agrupar dados em categorias predefinidas.
c) Um modelo usado para prever a distribuição de probabilidades de eventos.
d) Um modelo que utiliza algoritmos de otimização.
e) Um modelo usado apenas para dados numéricos.
4. O que é a métrica de precisão em modelos de classificação?
a) A proporção de previsões corretas feitas pelo modelo.
b) A proporção de instâncias positivas corretamente identificadas.
c) A medida da quantidade de erro no modelo.
d) A proporção de falsos positivos em relação ao total de negativos.
e) A medida da eficiência de um modelo.
5. O que é a técnica de regularização em aprendizado de máquina?
a) O processo de ajustar o modelo para melhorar sua capacidade de previsão.
b) A técnica usada para reduzir a complexidade do modelo, evitando overfitting.
c) A técnica de transformar dados em uma distribuição normal.
d) A técnica usada para aumentar o número de variáveis independentes.
e) A técnica de avaliação de performance de modelos.
6. Em métodos de clustering, o que é o K-means?
a) Um método de análise de variância.
b) Um algoritmo de agrupamento que divide dados em K grupos baseados em distância.
c) Um método de classificação supervisionada.
d) Uma técnica para prever séries temporais.
e) Um método de agrupamento baseado em regressão linear.
7. Qual é o principal objetivo da análise de componentes principais (PCA)?
a) Reduzir a dimensionalidade dos dados mantendo as características mais importantes.
b) Prever variáveis contínuas em um conjunto de dados.
c) Analisar a relação entre duas variáveis categóricas.
d) Agrupar dados em categorias predefinidas.
e) Dividir dados de acordo com sua variação temporal.
8. O que é overfitting em um modelo de aprendizado de máquina?
a) Quando o modelo falha em aprender padrões dos dados.
b) Quando o modelo se ajusta muito bem aos dados de treinamento, mas não generaliza bem para dados novos.
c) Quando o modelo usa uma quantidade insuficiente de variáveis.
d) Quando o modelo não consegue prever nem os dados de treinamento nem os dados de teste.
e) Quando o modelo ajusta mal os dados históricos.
9. O que é um modelo de árvore de decisão?
a) Um modelo que usa regras lógicas para dividir dados em categorias.
b) Um modelo que faz previsões baseadas em variáveis contínuas.
c) Um modelo de aprendizado não supervisionado.
d) Um modelo que utiliza séries temporais para previsões.
e) Um modelo que agrupa dados com base em seus valores numéricos.
10. O que é validação cruzada em aprendizado de máquina?
a) Uma técnica de ajuste de hiperparâmetros para um modelo.
b) Um método de treinamento de um modelo usando o mesmo conjunto de dados várias vezes.
c) Uma técnica usada para dividir os dados em diferentes conjuntos de treinamento e teste para avaliar a performance do modelo.
d) Um método de visualização dos dados antes da modelagem.
e) Uma técnica de aprendizado supervisionado que não usa rótulos.
Gabarito e Justificativas
1. b) A regressão linear é um modelo que descreve a relação entre as variáveis dependentes e independentes de forma linear.
2. b) O aprendizado supervisionado utiliza dados rotulados para treinar um modelo que pode fazer previsões sobre dados novos.
3. b) Modelos de classificação agrupam dados em categorias predefinidas com base em características.
4. a) A precisão é a proporção de previsões corretas feitas pelo modelo em relação ao total de previsões.
5. b) A regularização reduz a complexidade do modelo e evita o overfitting, melhorando sua generalização.
6. b) K-means é um algoritmo de clustering que agrupa dados em K clusters baseados em distâncias.
7. a) PCA (Análise de Componentes Principais) é usada para reduzir a dimensionalidade dos dados, preservando as variações mais importantes.
8. b) Overfitting ocorre quando o modelo se ajusta excessivamente aos dados de treinamento, comprometendo sua capacidade de generalizar.
9. a) A árvore de decisão utiliza regras lógicas para dividir os dados em categorias com base em variáveis independentes.
10. c) A validação cruzada envolve dividir os dados em partes, treinando e testando o modelo em diferentes conjuntos para verificar sua eficácia.