Resposta Resposta A No contexto de aprendizado de máquina supervisionado, o funcionamento básico de um modelo preditivo envolve processar dados de entrada para estimar um resultado. Atributos (Features): Representam as características ou variáveis de entrada que alimentam o modelo. São as propriedades dos dados que o algoritmo utiliza para aprender padrões. Rótulos (Labels): São as respostas ou saídas desejadas que o modelo tenta prever. Em um conjunto de dados de treino, o rótulo é a "verdade fundamental" associada a um conjunto de atributos. Análise das alternativas incorretas B. 1 - previsões; 2 – classes: Incorreto. Previsões são o resultado final do modelo (saída), não os dados de entrada. C. 1 - variáveis dependentes; 2 – variáveis independentes: Incorreto. A ordem está invertida; variáveis independentes são as entradas (causas) e variáveis dependentes são as saídas (efeitos/resultados). D. 1 - rótulos; 2 – atributos: Incorreto. Esta opção inverte os conceitos; rótulos são as saídas e atributos são as entradas. E. 1 - categorias; 2 – parâmetros: Incorreto. Parâmetros são configurações internas do modelo aprendidas durante o treino (como pesos em uma rede neural) e não representam os dados de saída gerados pelo modelo. Ficou clara a distinção entre a entrada (atributos) e a saída (rótulos) em um modelo de classificação?