Árvores de Decisão - Lista 1

Prévia do material em texto

Aprendizado de Máquina - Árvores de Decisão
Lista de Exercícios Para Estudo - Introdução
Essa lista de exercícios foi feita por aluno com o objetivo de revisar o entendimento dos principais
tópicos baseado nos materiais do professor da disciplina de Aprendizado de Máquina.
Exercícios
1. O que é uma árvore de decisão e como ela funciona na classificação de dados?
2. Quais são as principais vantagens das árvores de decisão em comparação com
outros modelos?
3. Em que situações as árvores de decisão são mais eficazes?
4. Como as decisões são tomadas ao longo dos nós de uma árvore?
5. Qual é o papel das folhas em uma árvore de decisão?
6. Como a árvore lida com dados categóricos e contínuos?
7. Quais são as limitações das árvores de decisão?
8. Como a profundidade da árvore afeta sua performance?
9. Como a árvore de decisão se adapta a diferentes tamanhos de conjuntos de dados?
10. Qual é a importância da interpretabilidade nas árvores de decisão?
Gabarito
1. Árvores de decisão são modelos preditivos que organizam decisões em uma
estrutura hierárquica, onde cada nó representa um atributo, e cada ramo uma possível
decisão. Elas funcionam como um processo de perguntas e respostas para classificar
ou prever resultados.
2. Uma das maiores vantagens é a simplicidade e facilidade de interpretação. Árvores
de decisão não exigem tanto pré-processamento dos dados e são capazes de lidar
tanto com dados categóricos quanto contínuos.
3. Árvores de decisão são especialmente eficazes em situações onde a interpretação
dos resultados é importante e quando o problema pode ser dividido em uma série de
decisões sequenciais.
4. Cada nó da árvore avalia um atributo dos dados e direciona a decisão para um
ramo específico. O processo continua até que uma folha seja alcançada, indicando
uma classificação ou previsão final.
5. As folhas representam a conclusão de um caminho na árvore, geralmente indicando
a classe ou valor predito com base nas decisões anteriores.
6. A árvore consegue lidar com dados categóricos escolhendo diretamente entre
categorias, enquanto para dados contínuos são criados intervalos de valores para as
decisões.
7. Árvores de decisão podem se tornar excessivamente complexas e se ajustar demais
aos dados de treinamento, perdendo a capacidade de generalizar para novos dados.
8. A profundidade afeta a precisão e a capacidade de generalização do modelo.
Árvores muito profundas podem causar overfitting, enquanto árvores muito rasas
podem não capturar todas as nuances dos dados.
9. Árvores de decisão se adaptam bem a diferentes tamanhos de dados, mas podem
enfrentar dificuldades com conjuntos de dados muito grandes, exigindo maior tempo
de treinamento e memória.
10. A interpretabilidade é uma vantagem importante das árvores de decisão, pois
facilita a compreensão do processo de tomada de decisão, essencial em contextos
onde a explicação é necessária.