Introdução e Aplicações de Modelos Supervisionados

Prévia do material em texto

Prova- 162: Introdução e Aplicações de Modelos Supervisionados
Introdução
Esta prova aborda as fundamentações de modelos supervisionados, suas principais aplicações, como classificação e regressão, e as técnicas de avaliação.
Questões
1. Qual a principal característica dos modelos supervisionados?
a) Eles não requerem dados rotulados para treinamento.
b) Eles são capazes de identificar padrões ocultos sem dados rotulados.
c) Eles aprendem com dados rotulados e fazem previsões ou classificações.
d) Eles são usados apenas para previsão de séries temporais.
e) Eles são apenas usados em classificação.
2. O que é a técnica de regularização L1 (Lasso)?
a) Ela penaliza coeficientes grandes sem eliminar variáveis.
b) Ela força a eliminação de variáveis irrelevantes, ajustando os coeficientes a zero.
c) Ela ajusta automaticamente os atributos no modelo.
d) Ela reduz a dimensionalidade do modelo.
e) Ela melhora a precisão em dados de teste.
3. O que caracteriza o algoritmo Naive Bayes?
a) Ele é baseado em uma abordagem não supervisionada de classificação.
b) Ele assume que as variáveis são independentes entre si, o que é uma simplificação importante.
c) Ele é usado apenas em problemas de regressão.
d) Ele requer grandes volumes de dados para funcionar corretamente.
e) Ele é utilizado apenas para análise de sentimentos.
4. O que é a técnica de redução de dimensionalidade?
a) Aumento do número de variáveis do modelo.
b) Redução do número de atributos irrelevantes para melhorar a precisão do modelo.
c) Aumento da complexidade do modelo.
d) Redução da quantidade de dados rotulados.
e) Expansão do número de exemplos de treinamento.
5. Qual o impacto do underfitting?
a) O modelo se ajusta bem ao treinamento mas falha nos dados de teste.
b) O modelo não consegue aprender padrões importantes dos dados, resultando em baixa precisão.
c) O modelo é muito complexo, mas não é capaz de generalizar.
d) O modelo classifica corretamente todos os dados de treinamento.
e) O modelo não é afetado pela escolha dos hiperparâmetros.
6. O que é o KNN (K-Nearest Neighbors)?
a) Um algoritmo baseado em redes neurais para classificação.
b) Um algoritmo que calcula a distância entre as amostras e classifica com base nos vizinhos mais próximos.
c) Um modelo de regressão linear.
d) Um algoritmo de clusterização.
e) Um modelo de classificação sequencial.
7. O que é uma métrica de avaliação em aprendizado supervisionado?
a) Um parâmetro que ajusta a precisão do modelo.
b) Uma medida quantitativa para avaliar a performance do modelo em dados de teste.
c) Uma técnica para normalizar os dados.
d) Uma técnica de redução do número de dados rotulados.
e) Um método para evitar overfitting.
8. O que é o método K-fold cross-validation?
a) Uma técnica para diminuir o número de atributos do modelo.
b) Uma técnica para aumentar o número de dados rotulados.
c) Uma técnica para avaliar o desempenho do modelo com múltiplas divisões dos dados.
d) Uma técnica para ajustar automaticamente os parâmetros do modelo.
e) Uma técnica para avaliar a precisão de cada previsão.
9. O que é a matriz de confusão em problemas de classificação?
a) Um método para organizar os dados de entrada.
b) Uma ferramenta para avaliar a precisão do modelo.
c) Um resumo das previsões feitas pelo modelo comparadas aos valores reais.
d) Uma ferramenta para melhorar a velocidade do modelo.
e) Um método para eliminar atributos irrelevantes.
10. O que é um hiperparâmetro em aprendizado supervisionado?
a) Um parâmetro ajustado automaticamente pelo modelo durante o treinamento.
b) Um parâmetro ajustado manual pelo usuário para controlar o comportamento do modelo.
c) Um parâmetro que define a quantidade de dados rotulados utilizados no treinamento.
d) Um parâmetro que controla o número de classes no modelo.
e) Um parâmetro que aumenta a complexidade do modelo.
Gabarito e Justificativas
1. c) Os modelos supervisionados aprendem com dados rotulados para fazer previsões ou classificações.
2. b) A regularização L1 (Lasso) força a eliminação de variáveis irrelevantes, ajustando os coeficientes a zero.
3. b) Naive Bayes assume que as variáveis são independentes entre si, uma simplificação importante.
4. b) A redução de dimensionalidade remove atributos irrelevantes para melhorar a precisão do modelo.
5. b) Underfitting ocorre quando o modelo não consegue aprender padrões importantes dos dados.
6. b) O KNN calcula a distância entre amostras e faz previsões com base nos vizinhos mais próximos.
7. b) Uma métrica de avaliação mede a performance do modelo em dados de teste.
8. c) K-fold cross-validation avalia o desempenho do modelo em várias divisões dos dados.
9. c) A matriz de confusão compara as previsões feitas pelo modelo com os valores reais para avaliar o desempenho.
10. b) Um hiperparâmetro é ajustado manual pelo usuário para controlar o comportamento do modelo.