Teste 2

Prévia do material em texto

<p>As respostas corretas estão ocultas. Pontuação desta tentativa: 15 de 15 Enviado 7 set em 17:46 Esta tentativa levou 11 minutos. Pergunta 1 3/3 pts Tanto aprendizado supervisionado quanto análise de agrupamento não supervisionado precisam de pelo menos um atributo oculto de entrada. Atributo de entrada é necessário em ambos os estios de aprendizado. categórico. de saída. Pergunta 2 3/3 pts Entre as estratégias para lidar com dados omissos estão: remoção de atributos, remoção de registros, inferência de valores ou atribuição de valores especiais. Verdadeiro A afirmativa está correta, pois essas são as principais estratégias para lidar com dados omissos Falso Lidar com dados omissos é uma tarefa básica da fase de preparação de dados e influencia diretamente o desempenho dos modelos.</p><p>Pergunta 3 3/3 pts Suponha que você identificou diversos atributos multi- colineares (que podem ser escritos em função de outros atributos). Você tem as seguintes alternativas para preparação de dados. 1. Remover ambos os atributos colineares. 2. Remover apenas um dos atributos colineares. 3. Utilizar modelos que penalizem dados colineares, se possível. As ações que você executaria seriam: As ações 1, 2 ou 3, apenas. As ações 1 ou 2, As ações 2 ou 3, apenas. A alternativa está correta. As ações 1 ou 3, Você não pode remover todos os atributos pois, após a remoção dos atributos, você perderá toda a informação sobre esses elementos. Você pode remover apenas um dos atributos, pois ele seria explicado pelo seu atributo colinear ou você pode buscar identificar modelos que se mantém estáveis com atributos colineares ou que penalizam esses atributos. Um exemplo desse tipo de modelo é a regressão LASSO. Pergunta 4 3/3 pts Baseado nos estilos de aprendizado de máquina, associe as colunas corretamente. Detecção de anomalias é um estilo de ap</p><p>Rede Neural Artifical pode ser usado ( Indução de regras é um estilo de ap Monte Carlo é usado em apre Pergunta 5 3/3 pts Sobre o processo de preparação de dados, podemos afirmar que Ruídos de atributos tendem a ser aleatórios, enquanto ruídos de classe devem-se a erros de medição. Atributos redundantes podem ajudar a acelerar a convergência dos modelos. Campos do tipo data ou moeda podem frequentemente sofrer com inconsistência por formato de codificação. Campos do tipo data ou moeda podem realmente sofrer com inconsistência por formato de codificação. Registros com dados conflitantes devem ser agregados em um único registro para não produzirem conhecimento falso. Pontuação do teste: 15 de 15</p>