Vamos analisar as alternativas para entender a diferença entre bagging e boosting em métodos ensemble: a) O bagging usa múltiplos modelos de forma independente, enquanto o boosting ajusta o modelo iterativamente para corrigir os erros dos modelos anteriores. - Esta afirmação está correta. O bagging (Bootstrap Aggregating) treina modelos de forma independente e combina suas previsões, enquanto o boosting treina modelos sequencialmente, onde cada modelo tenta corrigir os erros do anterior. b) O boosting combina apenas modelos simples, enquanto o bagging combina modelos complexos. - Isso não é verdade, pois tanto o bagging quanto o boosting podem usar modelos simples ou complexos. c) O bagging é um modelo linear, enquanto o boosting é um modelo não linear. - Essa afirmação é incorreta, pois tanto bagging quanto boosting podem ser aplicados a modelos lineares e não lineares. d) O boosting é usado apenas em dados balanceados, enquanto o bagging é usado em dados desbalanceados. - Isso não é verdade, ambos podem ser usados em diferentes tipos de dados. e) O bagging gera novos dados sintéticos, enquanto o boosting aumenta a complexidade do modelo. - O bagging não gera novos dados sintéticos, mas sim cria subconjuntos de dados a partir do conjunto original. Portanto, a alternativa correta é: a) O bagging usa múltiplos modelos de forma independente, enquanto o boosting ajusta o modelo iterativamente para corrigir os erros dos modelos anteriores.