Grátis: Sobre algoritmo k-vizinhos mais próximos escolha a alternativa que contém somente afirmacoes corretas: I. Para objetos representados numericamente,... – Questões Respondidas

Estrutura de Dados

Outros

Sobre algoritmo k-vizinhos mais próximos escolha a alternativa que contém somente afirmacoes corretas:
I. Para objetos representados numericamente, usa-se a distância Euclidiana para classificá-los.
II. valor de k é determinado de acordo com número de objetos do conjunto de dados.
III. k-NN é um algoritmo classificador baseado em distância.
IV. Também é conhecido como algoritmo preguiçoso, pois só é executado quando é necessário classificar um novo objeto.
e IV, apenas.
e III, apenas.
I, II, III e IV.
I, III e IV, apenas.
II, III e IV, apenas.

Praticando Para Aprender

anteontem

Praticando Para Aprender

anteontem

Mineração de Dados - COM360 - Semana 4 - Atividade Avaliativa

Mineração de Dados - COM360 - Semana 4 - Atividade Avaliativa

UNIVESP

Respostas

Ed

anteontem

Vamos analisar cada afirmativa sobre o algoritmo k-vizinhos mais próximos (k-NN): I. Para objetos representados numericamente, usa-se a distância Euclidiana para classificá-los. Verdadeiro, a distância Euclidiana é uma das métricas mais comuns utilizadas no k-NN para calcular a proximidade entre os pontos. II. O valor de k é determinado de acordo com o número de objetos do conjunto de dados. Falso, o valor de k não é necessariamente determinado pelo número de objetos do conjunto de dados. Ele é escolhido com base em validação cruzada ou heurísticas, e pode ser um número pequeno ou grande, dependendo do problema. III. k-NN é um algoritmo classificador baseado em distância. Verdadeiro, o k-NN classifica os objetos com base nas distâncias entre eles. IV. Também é conhecido como algoritmo preguiçoso, pois só é executado quando é necessário classificar um novo objeto. Verdadeiro, o k-NN é considerado um algoritmo "preguiçoso" porque não realiza um treinamento explícito e apenas calcula as distâncias quando uma nova classificação é solicitada. Agora, vamos ver quais itens são verdadeiros: - I: Verdadeiro - II: Falso - III: Verdadeiro - IV: Verdadeiro Portanto, os itens corretos são I, III e IV. A alternativa que contém todos os itens verdadeiros é: I, III e IV, apenas.

Essa resposta te ajudou?

0

0

Ainda com dúvidas?

Envie uma pergunta e tenha sua dúvida de estudo respondida!

Essa pergunta também está no material:

Mineração de Dados - COM360 - Semana 4 - Atividade Avaliativa

Mineração de Dados - COM360 - Semana 4 - Atividade Avaliativa

UNIVESP

Mais perguntas desse material

Escolha a alternativa que contém somente características que fazem parte da classificação supervisionada:
Predizer a classe de novos registros a partir de registros conhecidos.
Ausência de conhecimento das possíveis classes às quais registros podem pertencer.
Separação dos dados em etapas de treinamento e teste.
Análise de correlação entre os atributos do conjunto de dados.
I, e IV, apenas.
e III, apenas.
II, III e IV, apenas.
I, e III, apenas.
e III, apenas.

Sobre as etapas de classificação supervisionada, escolha a alternativa que associa corretamente as tarefas abaixo com as etapas de treinamento e teste:
1. Treinamento.
2. Teste.
Os dados rotulados são usados para preparar a técnica de classificação.
O desempenho da técnica de classificação é avaliado.
Os dados não rotulados são classificados.
Etapa inicial da classificação supervisionada.
1 e II; 2 III e IV.

Os modelos preditivos são usados para automatizar muitos processos de tomada de decisão, incluindo decisões de negócio e plantas industriais. Os modelos preditivos também podem ser usados para classificar objetos, processar frutas automaticamente, controlar a qualidade e muito mais. A criação de um modelo preditivo é teoricamente possível quando certos objetos podem ser rotulados e treinados de forma supervisionada, isso ocorre porque é possível estimar valor de novos objetos sem conhecer seu rótulo.
Em relação aos passos para projetar modelo preditivo, observe as afirmativas a seguir.
I. Pré-processamento dos dados: é realizada a limpeza dos dados, há também a integração, a redução, a transformação e a discretização.
II. A separação dos dados em conjunto é realizada primeiramente no treinamento e após teste: conjunto de treinamentos e conjunto de testes.
III. Treinamento e teste: treinamento para adaptar os parâmetros livres do modelo para que alcance nível de excelência.
IV. Avaliação da saída: modelos preditivos que precisam ter sua saída avaliada ao desempenho.
a. e II, apenas.
apenas.
C. e III, apenas.
II, III e IV.
e. II, III e IV, apenas.

Sobre validação cruzada, escolha a alternativa que contém somente afirmações verdadeiras.
I. A validação cruzada pode ser usada para identificar ponto de parada do treinamento dos algoritmos de classificação supervisionada.
II. A validação cruzada é usada durante a etapa de pré-processamento dos dados, antes da separação dos dados em treinamento e teste.
III. A validação cruzada pode ser usada para validar desempenho dos algoritmos de classificação supervisionada.
IV. A validação cruzada serve para rotular dados de um conjunto para uso em classificação supervisionada.
I, e IV, apenas.
e IV, apenas.
I, III e IV, apenas.
III, apenas.
e III, apenas.

Uma matriz de contingência ou matriz de confusão para um algoritmo de classificação binária fornece uma compreensão mais precisa do desempenho. Cada eixo representa uma classe predita, uma classe original, resultados positivos ou negativos. Sempre que necessário, adicione linhas às colunas para criar a matriz.
Em um determinado banco de dados, há 2000 e-mails para serem classificados entre normal e spam, assim que executou 0 algoritmo de classificação, retornou em uma matriz de confusão, sendo os dados VP = 250, VN = 1550, FN= 170 e FP 30, o valor da taxa de verdadeiros positivos e da taxa de falsos positivos será:
a. TVP 0,500 e TFP 0,028.
b. TVP 0,695 e TFP 0,038.
C. TVP = 0,585 e TFP 0,118.
d. TVP 0,595 e TFP 0,018.
e. TVP = 0,650 e TFP = 0,010.

A taxa global de sucesso do algoritmo, ou ACC, é a porcentagem de classificações consideradas corretas, ela é calculada dividindo número de classificações pelo número total de classificações. A acurácia pode ser definida como grau em que um valor calculado ou medido está alinhado com valor real, ela é calculada dividindo número de acertos pelo número de resultados possíveis. A taxa de erro E de um classificador também é uma medida de precisão.
Num banco de dados contendo 0 registro de 1555 e-mails, é necessário encontrar a taxa global do algoritmo (ACC) e a acurácia (E), sendo que dados que foram retornando de um algoritmo de classificação foram VP = 255, VN 1000, FN = 270 e FP = 30, resultado corretos serão:
a. ACC 0,807, E 193.
ACC 0,907, E 0,293.
C. ACC 0,800, 0,253.
e. ACC 0,755, 0,204.

Relacione tipos de estruturas nos quais os algoritmos de classificação podem ser separados com as afirmações que caracterizam tais tipos de estruturas.
1. Probabilísticos.
2. Baseados em conhecimento.
3. Conexionistas.
4. Baseados em distância.
Calculam a diferença entre objeto a ser classificado e demais objetos rotulados.
Possuem um conjunto de regras que determinam a classe de um objeto.
Permitem atribuir uma chance de um objeto pertencer a uma ou mais classes.
São formados por redes (nós) interconectadas.
1 III; 2 4 II.
1 2 II; 3 4 III.
1 2 - 3 III; II.

Os modelos preditivos podem ser contínuos ou discretos. Modelos contínuos, como estimativa, são melhores na generalização do que modelos discretos, como classificação. As previsões geralmente são expressas como classificações ou estimativas que categorizam novos dados em valores específicos. As árvores de decisão e as redes neurais artificiais são modelos preditivos populares.
Com base nas duas etapas iniciais para desenvolvimento de um modelo preditivo, assinale a alternativa que melhor descreve as duas etapas.
a. Treinamento: gerado por um preditor, em que se consegue discriminar um determinado conjunto de classes; e Teste: etapa aplicada a testes para entender desempenho do preditor.
b. Treinamento: etapa em que é gerado um preditor, que consegue discriminar um determinado conjunto de classes; e Generalização: etapa responsável por analisar as classes e generalizar testes para saber possíveis informações.
C. Programação e teste: etapa em que são aplicados testes para entender desempenho do preditor.
d. Treinamento: fase em que um preditor é desenvolvido para discriminar entre um conjunto específico de classes.; e Generalização: etapa responsável por analisar as classes e generalizar testes para saber possíveis informações.
e. Programação: etapa responsável por desenvolver estruturas para que possam ser realizados testes; e Teste: etapa em que são aplicados testes para entender 0 desempenho do preditor.

A validação cruzada é frequentemente usada para determinar 0 quão bem um modelo preditivo é treinado. No entanto também pode ser usada para estimar 0 erro de generalização de algoritmos, que é uma das aplicações mais comuns de validação cruzada.
Com base no objetivo da validação cruzada como estimativa de desempenho, assinale a alternativa que melhor a descreve.
a. objetivo da validação cruzada é que haja uma união do banco de dados para a realização de testes.
b. objetivo da validação cruzada é dividir sistematicamente 0 banco de dados em conjuntos de treinamento e testes.
C. O objetivo da validação cruzada é validar as informações que foram analisadas no processo de modelo preditivo.
objetivo da validação cruzada é separar 0 banco de dados das informações para realizar 0 pré-processamento.
e. objetivo da validação cruzada é fazer reduções de erros para fazer 0 processo de conjuntos de treinamentos e testes.