Grátis: Qual é a principal limitação do algoritmo Naive Bayes? a) Ele não pode lidar com dados contínuos. b) Ele assume que todas as variáveis independente... – Questões Respondidas

Inteligência Artificial

Outros

Qual é a principal limitação do algoritmo Naive Bayes?
a) Ele não pode lidar com dados contínuos.
b) Ele assume que todas as variáveis independentes são independentes, o que pode não ser verdadeiro na prática.
c) Ele não é capaz de lidar com problemas de classificação.
d) Ele não pode lidar com dados desbalanceados.
e) Ele requer uma grande quantidade de dados de treinamento para funcionar corretamente.

Desafios Para o Conhecimento

ano passado

Desafios Para o Conhecimento

ano passado

Prova de Ciência de Dados_ Fundamentos e Aplicações de Machine Learning(1)

Prova de Ciência de Dados_ Fundamentos e Aplicações de Machine Learning(1)

Respostas

Ed

ano passado

Vamos analisar as alternativas para identificar a principal limitação do algoritmo Naive Bayes: a) Ele não pode lidar com dados contínuos. - Esta afirmação é falsa, pois o Naive Bayes pode lidar com dados contínuos, especialmente usando a distribuição normal. b) Ele assume que todas as variáveis independentes são independentes, o que pode não ser verdadeiro na prática. - Esta é uma característica fundamental do Naive Bayes, e essa suposição de independência é, de fato, uma limitação significativa do algoritmo. c) Ele não é capaz de lidar com problemas de classificação. - Isso é incorreto, pois o Naive Bayes é um algoritmo de classificação. d) Ele não pode lidar com dados desbalanceados. - Embora o Naive Bayes possa ser afetado por dados desbalanceados, isso não é sua principal limitação. e) Ele requer uma grande quantidade de dados de treinamento para funcionar corretamente. - Na verdade, o Naive Bayes pode funcionar bem mesmo com conjuntos de dados menores. Portanto, a principal limitação do algoritmo Naive Bayes é: b) Ele assume que todas as variáveis independentes são independentes, o que pode não ser verdadeiro na prática.

Essa resposta te ajudou?

0

0

Ainda não achou a resposta?

Integrado com os principais modelos de IA do mercado
Respostas em segundos
IA treinada para estudantes brasileiros.

Evolua sua forma de estudar

Cadastre-se ou realize login

Ainda com dúvidas?

Envie uma pergunta e tenha sua dúvida de estudo respondida!

Essa pergunta também está no material:

Prova de Ciência de Dados_ Fundamentos e Aplicações de Machine Learning(1)

Prova de Ciência de Dados_ Fundamentos e Aplicações de Machine Learning(1)

Mais perguntas desse material

Esta prova foca nos conceitos e nas aplicações práticas de algoritmos de aprendizado de máquina, como classificação, regressão, clustering e redução de dimensionalidade. Testa também o entendimento sobre avaliação de modelos e técnicas de otimização.
O que caracteriza um modelo de Support Vector Machine (SVM)?
a) O SVM tenta minimizar a distância entre as amostras e a linha de decisão.
b) O SVM é uma técnica de clustering utilizada para agrupar dados semelhantes.
c) O SVM é um algoritmo de redução de dimensionalidade.
d) O SVM tenta encontrar a linha ou o hiperplano que separa as classes de forma que a margem de separação seja maximizada.
e) O SVM só funciona com dados contínuos e não pode lidar com variáveis categóricas.

Em qual situação o algoritmo de k-means não é recomendado?
a) Quando os dados têm muitas variáveis numéricas correlacionadas.
b) Quando os clusters têm formas não esféricas ou distribuições diferentes.
c) Quando os dados têm uma estrutura hierárquica clara.
d) Quando há muitas variáveis categóricas no conjunto de dados.
e) Quando o número de amostras é muito pequeno.

Em problemas de classificação, o que é o Recall?
a) A proporção de previsões corretas feitas pelo modelo.
b) A medida de erro do modelo, indicando a diferença entre as previsões e os valores reais.
c) A capacidade do modelo de identificar todas as instâncias positivas.
d) A medida da área sob a curva ROC.
e) A média ponderada entre precisão e sensibilidade.

Qual é o objetivo da técnica de ensemble learning?
a) Combinar múltiplos modelos para melhorar a performance geral.
b) Ajustar o número de clusters em um modelo de agrupamento.
c) Reduzir a complexidade do modelo ajustando os dados de entrada.
d) Realizar a classificação de dados em grupos distintos.
e) Encontrar o valor ideal de parâmetros em um modelo.

O que é um modelo linear?
a) Um modelo que assume uma relação linear entre as variáveis independentes e a variável dependente.
b) Um modelo que utiliza redes neurais para prever variáveis contínuas.
c) Um modelo de aprendizado não supervisionado.
d) Um modelo que classifica os dados em grupos sem usar variáveis dependentes.
e) Um modelo que lida com dados temporais e sequenciais.

O que é o método de regressão logística?
a) Um modelo utilizado para prever variáveis contínuas.
b) Um algoritmo utilizado para prever probabilidades, especialmente em problemas de classificação binária.
c) Um método de aprendizado não supervisionado para agrupamento de dados.
d) Um método de redução de dimensionalidade de dados.
e) Um modelo de aprendizado profundo baseado em redes neurais.

Qual é a vantagem do algoritmo Gradient Boosting sobre modelos tradicionais?
a) Ele é mais rápido e simples de treinar.
b) Ele constrói modelos sequenciais onde cada novo modelo corrige os erros dos anteriores.
c) Ele é ideal para problemas de clustering.
d) Ele só pode ser usado para problemas de regressão.
e) Ele não requer um pré-processamento de dados.

Qual é a principal vantagem do uso do bagging em modelos de aprendizado?
a) Aumenta a variabilidade do modelo.
b) Reduz a variância do modelo ao treinar múltiplos modelos em subconjuntos de dados.
c) Melhora a acurácia ao combinar múltiplas variáveis.
d) Reduz a complexidade do modelo usando apenas uma árvore de decisão.
e) Aumenta a precisão do modelo em grandes bases de dados.

Qual é o papel da função de ativação em redes neurais?
a) Ajustar os parâmetros do modelo.
b) Definir a estrutura das redes neurais.
c) Introduzir não linearidade no modelo, permitindo aprender relações complexas.
d) Realizar o pré-processamento dos dados.
e) Dividir os dados em conjuntos de treino e teste.