Vamos analisar cada afirmação: I - A utilização de técnicas de amostragem para a seleção de parte dos dados é uma etapa importante na avaliação de modelos preditivos. Verdadeiro, a amostragem é fundamental para garantir que o modelo seja avaliado de forma justa e representativa. II - Utilizar o mesmo conjunto de dados para as fases de treinamento e avaliação do preditor pode ajudar a nossa análise do desempenho do algoritmo, pois podemos produzir estimativas otimistas a cerca dos resultados. Verdadeiro, isso é conhecido como "overfitting", onde o modelo se ajusta muito bem aos dados de treinamento, mas não generaliza bem para novos dados. III - Existem duas técnicas de amostragem bastante comuns em machine learning, holdout e validação cruzada. Falso, embora holdout e validação cruzada sejam técnicas comuns, existem mais técnicas de amostragem, como a amostragem estratificada, por exemplo. Com base nas análises: - A afirmação I é correta. - A afirmação II é correta. - A afirmação III é incorreta. Portanto, a alternativa que contém todas as afirmações corretas é: A - Somente as afirmações I e II estão corretas.