Uma equipe de ciência de dados está debatendo quais transformações devem ser feitas antes de treinar um modelo e também como testar, de forma estatística, se uma segmentação de clientes ajuda a explicar diferenças no comportamento (por exemplo, gasto). Para decidir, a equipe consulta o material da aula sobre Feature Engineering e sua relação com o uso de ANOVA em análises de comparação de médias. Trechos do material (Tema 4): “Feature Engineering (ou engenharia de atributos) é o processo de criação, transformação e seleção de variáveis que serão utilizadas nos modelos preditivos. O objetivo é melhorar a representação dos dados, evidenciando padrões que facilitem a modelagem estatística e elevem a performance dos algoritmos de predição.” “Agrupamentos e binning: Podemos agrupar faixas de valores contínuos (como renda ou idade) em categorias (‘baixa’, ‘média’ e ‘alta’), o que facilita análises exploratórias e pode melhorar a interpretação dos modelos.” “Podemos usar a ANOVA para verificar se a média de gasto por faixa etária é significativamente diferente.” A equipe levantou quatro propostas de preparação de dados: I. Substituir “data de nascimento” por “idade”. II. Transformar “tipo de cliente (bronze/prata/ouro)” em variáveis dummy (0/1). III. Aplicar logaritmo ou raiz quadrada em uma variável numérica para aproximar a normalidade. IV. Agrupar “idade” em faixas (binning) e, em seguida, usar ANOVA para comparar a média de gasto entre as faixas. Considerando o que o material define como Feature Engineering e a forma como ele conecta essa etapa ao uso de ANOVA, qual alternativa interpreta corretamente as propostas I–IV? A Apenas a proposta IV é Feature Engineering, pois somente o binning cria uma nova variável; as propostas I–III são apenas “limpeza” de dados. B As propostas I, II e IV são Feature Engineering, mas a III não pode ser considerada, porque o texto restringe Feature Engineering a variáveis categóricas. C As propostas I, II, III e IV se enquadram em Feature Engineering; e, espe