Informática, perguntado por massaru, 5 meses atrás

Nos métodos preditivos de maximização de margens, ____________ correspondem a valores que determinam ________ em que os dados de diferentes classes encontram-se ___________.

a.
os rótulos, a forma, relacionados.

b.
os atributos, a maneira, correlacionados.

c.
as métricas, a maximização, no aprendizado.

d.
os SVMs, a distância, no espaço.

e.
as margens, o grau, separados.

Soluções para a tarefa

Respondido por jelinkinpark2
4

Resposta:

as margens, o grau, separados

Explicação:

8/

Respondido por pauloecampos
8

Resposta:

PERGUNTA 1

1. São exemplos de técnicas de amostragem, que utilizam a amostragem aleatória no conjunto de dados, na geração dos conjuntos de treinamento e teste para modelos preditivos:

a. validação cruzada, r-fold-cross-validation.

b. random subsampling, Bootstrap.

c. Holdout, amostragem aleatória.

d. random subsampling, Holdout.

e. validação cruzada, Holdout.

PERGUNTA 2

1. Os algoritmos de indução de árvores de decisão, são um exemplo do uso de métodos:

a. descritivos.

b. de maximização de margens.

c. conexionistas.

d. simbólicos.

e. probabilísticos.

PERGUNTA 3

1. Considere a utilização de um algoritmo de indução de árvore de decisão, que utiliza a entropia como critério de pureza. Se durante o processo de indução da árvore, em um nó de divisão, um conjunto contém apenas duas classes (rótulos) p e q, sendo que o número de elementos pertencentes a classe p é igual a número de elementos pertencentes a classe q. Então podemos afirmar que o valor da entropia para esse conjunto é igual a:

a. 2

b. 0

c. -1

d. 1

e. 1/2

PERGUNTA 4

1. Em relação às métricas utilizadas para avaliação de modelos preditivos, podemos afirmar que:

. A acurácia corresponde a taxa de acertos do modelo, sendo uma das medidas mais utilizadas na prática. A acurácia corresponde ao complemento da taxa de erro.

I. A taxa de erro corresponde ao total de classificações incorretas dividido pelo total de exemplos preditos.

II. A diagonal principal de uma matriz de confusão corresponde às predições realizadas corretamente.  

a. Somente as afirmações I e II estão corretas.

b. Nenhuma das afirmações está correta.

c. Todas as afirmações estão corretas.

d. Somente a afirmação I está correta.

e. Somente as afirmações II e III estão corretas.

1. Um dos critérios de pureza utilizados por algoritmos de indução de árvores de decisão é a entropia. Assim, se um conjunto possui uma entropia _________, isso quer dizer que diversos ________ diferentes devem estar presentes, o que não é desejável para a classificação. Já uma entropia _______ denota que há “pouca mistura” naquele conjunto.

a. alta, atributos, baixa

b. baixa, objetos, alta

c. uniforme, rótulos, heterogênea

d. heterogênea, atributos, uniforme

e. alta, rótulos, baixa

PERGUNTA 6

1. Em relação às SVMs utilizadas nos métodos preditivos de classificação baseados em maximização de margens, podemos afirmar que:

.  Quando as classes são linearmente separáveis, é utilizado o emprego de SVM com margens rígidas.

I. O problema de otimização tratado pela SVM é convexo, o que quer dizer que leva a um mínimo global.

II.  Uma das grandes vantagens no uso de SVMs é a sua alta interpretabilidade.

a. Nenhuma das afirmações está correta.

b. Somente as afirmações II e III estão corretas.

c. Somente as afirmações I e II estão corretas.

d. Somente a afirmação I está correta.

e. Todas as afirmações estão corretas.

PERGUNTA 7

1. Nos métodos preditivos de maximização de margens, ____________ correspondem a valores que determinam ________ em que os dados de diferentes classes encontram-se ___________.

a. os rótulos, a forma, relacionados.

b. as margens, o grau, separados.

c. as métricas, a maximização, no aprendizado.

d. os atributos, a maneira, correlacionados.

e. os SVMs, a distância, no espaço.

PERGUNTA 8

1. As SVMs _______ com margens _______ definem fronteiras ________ a partir de dados _________ separáveis.

a. lineares, rígidas, lineares, linearmente

b. não lineares, suaves, separáveis, não

c. lineares, suaves, não lineares, não

d. não lineares, variáveis, não lineares, parcialmente

e. lineares, fixas, rígidas, totalmente

Explicação: 10/10

Perguntas interessantes