Desafio Final_ 2022-8A - Bootcamp Arquiteto(a) de Machine Learning

Prévia do material em texto

Desa�o Final
Entrega 28 out em 23:59 Pontos 100 Perguntas 10
Disponível até 28 out em 23:59 Limite de tempo Nenhum
Instruções
Histórico de tentativas
Tentativa Tempo Pontuação
MAIS RECENTE Tentativa 1 5.213 minutos 100 de 100
 As respostas corretas estarão disponíveis em 28 out em 23:59.
Pontuação deste teste: 100 de 100
Enviado 25 out em 14:18
Esta tentativa levou 5.213 minutos.
O Desafio Final está disponível!
1. Instruções para realizar o desafio
Consulte a data de entrega no teste e em seu calendário.
Reserve um tempo para realizar a atividade, leia as orientações e enunciados com atenção. Em
caso de dúvidas utilize o "Fórum de dúvidas do Desafio Final".
Para iniciá-lo clique em "Fazer teste". Você tem somente uma tentativa e não há limite de tempo
definido para realizá-lo. Caso precise interromper a atividade, apenas deixe a página e, ao retornar,
clique em "Retomar teste".
Clique em "Enviar teste" somente quando você concluí-lo. Antes de enviar confira todas as
questões.
Caso o teste seja iniciado e não enviado até o final do prazo de entrega, a plataforma enviará a
tentativa não finalizada automaticamente, independente do progresso no teste. Fique atento ao seu
teste e ao prazo final, pois novas tentativas só serão concedidas em casos de questões médicas.
O gabarito será disponibilizado partir de sexta-feira, 28/10/2022, às 23h59.
Bons estudos!
2. O arquivo abaixo contém o enunciado do desafio
Enunciado do Desafio Final - Bootcamp Analista de Machine Learning.pdf
https://online.igti.com.br/courses/4867/quizzes/67155/history?version=1
https://online.igti.com.br/courses/4867/files/354367/download
10 / 10 ptsPergunta 1
Sobre o dataset creditcard.csv, é CORRETO afirmar:
 Existe menos de 1% de instâncias classificadas como fraudulentas. 
 
A quantidade de instâncias da classe 0 e da classe 1 possuem a
mesma proporção.
 O dataset pode ser visto como balanceado. 
 
Para esse dataset não é possível definir estratégias de balanceamento.
10 / 10 ptsPergunta 2
Sobre as estatísticas descritivas e características do dataset
creditcard.csv, é INCORRETO afirmar:
 
Para as instâncias da classe 1 (Class=1), o valor máximo para a
variável V1 é, aproximadamente, 2,13.
 O desvio padrão de V1 é superior ao de V2. 
 
O valor máximo da variável Time é maior para a classe 1 (Class=1) do
que a presente para as instâncias da classe 0 (Class=0).
 
O valor máximo de V3 para as instâncias da classe 0 (Class=0) é maior
do que o presente para as instâncias da classe 1 (Class=1).
10 / 10 ptsPergunta 3
Aplique a normalização StandardScaler() para as variáveis "Amount" e
“Time”. Após essa normalização qual é o valor máximo, em módulo,
para a variável “Amount”?
 100,31 
 110,45 
 115,00 
 102,36 
10 / 10 ptsPergunta 4
Selecione a quantidade de clusters igual a 4 e aplique o algoritmo k-
means. Para essa quantidade de clusters, qual cluster apresenta a
maior quantidade de instâncias marcadas como transações
fraudulentas (Class=1)?
 1 
 3 
 2 
 0 
10 / 10 ptsPergunta 5
Após a aplicação do StandardScaler() e do train_test_split(), como
mostrado no enunciado, utilize como saída a variável “Class” e como
entrada o restante das colunas. Aplique o algoritmo de classificação
por meio da Regressão Logística, como mostrado no enunciado. Qual
é o valor aproximado para a acurácia do modelo?
 0,79 
 0,99 
 0,89 
 0,69 
10 / 10 ptsPergunta 6
Após a aplicação do StandardScaler() e do train_test_split(), como
mostrado no enunciado, utilize como saída a variável “Class” e como
entrada o restante das colunas. Aplique o algoritmo de classificação
por meio da rede neural MLP, como mostrado no enunciado. Qual é o
valor aproximado para a acurácia do modelo?
 0,79 
 0,99 
 0,89 
 0,69 
10 / 10 ptsPergunta 7
Agora, aplique o modelo de subamostragem, como mostrado no
enunciado da questão, sobre os dados normalizados por meio do
StandardScaler(). Divida, novamente, os dados entre treinamento e
teste por meio do train_test_split(). Quantas instâncias fraudulentas
(Class=1) existem nos dados de treinamento?
 246 
 346 
 242 
 342 
10 / 10 ptsPergunta 8
Após a normalização (StandardScaler()), divisão dos dados entre
treinamento e teste (train_test_split()) e subamostragem (seguindo os
comandos apresentados no enunciado), aplique o algoritmo de
classificação por meio da regressão logística, como mostrado no
enunciado. Qual é o valor aproximado da acurácia obtida?
 0,63 
 0,73 
 0,93 
 0,83 
10 / 10 ptsPergunta 9
Após a normalização (StandardScaler()), divisão dos dados entre
treinamento e teste (train_test_split()) e subamostragem (seguindo os
comandos apresentados no enunciado), aplique o algoritmo de
classificação por meio da rede neural MLP, como mostrado no
enunciado. Qual é o valor aproximado da acurácia obtida?
 0,62 
 0,92 
 0,72 
 0,82 
10 / 10 ptsPergunta 10
Após a normalização (StandardScaler()), divisão dos dados entre
treinamento e teste (train_test_split()) e subamostragem (), aplique o
algoritmo de classificação por meio da regressão logística, como
mostrado no enunciado. Qual é o valor aproximado do recall obtido?
 0,79 
 0,89 
 0,99 
 0,69 
Pontuação do teste: 100 de 100