A regressão logística é um algoritmo amplamente utilizado em problemas de classificação binária, onde a resposta pode ser representada por 0 ou 1. O scikit-learn segue o princípio de que todos os objetos compartilham uma interface consistente, classificando-os em três tipos: Estimadores (que estimam parâmetros usando o método fit()), Transformadores (que transformam dados através do método transform()) e Previsores (que fazem previsões usando o método predict()). A biblioteca oferece classes como LogisticRegression para treinar modelos de classificação, permitindo avaliar a probabilidade de uma instância pertencer a uma determinada classe através do método predict_proba(). Em relação à modelagem com regressão logística usando scikit-learn, considere as seguintes afirmações: I. A classe LogisticRegression é um exemplo de Estimador e Previsor simultaneamente. II. O método predict_proba() retorna apenas a probabilidade da classe positiva (1). III. Transformadores possuem o método fit_transform() que equivale a chamar fit() e transform() sequencialmente. IV. O método score() pode ser usado para avaliar a acurácia do modelo nos dados de teste. São verdadeiras: Alternativas: • a) I e II apenas. • b) I, III e IV