Logo Passei Direto
Buscar
Sobre o Scikit-Learn e sua implementação, analise as afirmacoes a seguir:

( ) Ao utilizar from sklearn. import estará sendo importado do scikit-learn o método e seus recursos poderão ser utilizados.
( ) x = LinearRegression() é uma instância de uma rede neural.
( ) O comando train é utilizado para ajustar os dados e fazer com que o método aprenda.
( ) O comando predict permite utilizar o método para predição.
A F - V - V - F.
B F - V - F - V.
C V - F - F - V.
D A - V - V - F.
User badge image
Progresso com Exercícios

há 2 anos

Respostas

User badge image

Ed Verified user icon

há 6 meses

Vamos analisar cada uma das afirmações sobre o Scikit-Learn: ( ) Ao utilizar from sklearn. import estará sendo importado do scikit-learn o método e seus recursos poderão ser utilizados. É verdadeira (V). Quando você importa algo do Scikit-Learn, você pode usar os métodos e recursos que foram importados. ( ) x = LinearRegression() é uma instância de uma rede neural. É falsa (F). `LinearRegression` é um modelo de regressão linear, não uma rede neural. ( ) O comando train é utilizado para ajustar os dados e fazer com que o método aprenda. É verdadeira (V). O método `fit` (não "train") é utilizado para ajustar o modelo aos dados, mas a afirmação é verdadeira no sentido de que o modelo aprende com os dados. ( ) O comando predict permite utilizar o método para predição. É verdadeira (V). O método `predict` é utilizado para fazer previsões com o modelo ajustado. Agora, organizando as respostas: 1. V 2. F 3. V 4. V Portanto, a sequência correta é: V - F - V - V. Nenhuma das alternativas apresentadas corresponde exatamente a essa sequência. Porém, se considerarmos a interpretação da terceira afirmação como verdadeira, a alternativa que mais se aproxima é a D, que diz "A - V - V - F", mas isso não é correto. A resposta correta não está entre as opções fornecidas. Você pode precisar revisar as afirmações ou as opções.

Essa resposta te ajudou?

0
Dislike0
left-side-bubbles-backgroundright-side-bubbles-background

Crie sua conta grátis para liberar essa resposta. 🤩

Já tem uma conta?

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

User badge image

Ed Verified user icon

há 2 anos

A alternativa correta é a letra B: F - V - F - V. Justificativa: - A primeira afirmação está correta, ao utilizar "from sklearn import" estará sendo importado do scikit-learn o método e seus recursos poderão ser utilizados. - A segunda afirmação está incorreta, x = LinearRegression() é uma instância de regressão linear, não de uma rede neural. - A terceira afirmação está incorreta, o comando "fit" é utilizado para ajustar os dados e fazer com que o método aprenda, não "train". - A quarta afirmação está correta, o comando "predict" permite utilizar o método para predição.

Essa resposta te ajudou?

0
Dislike0

Ainda com dúvidas?

Envie uma pergunta e tenha sua dúvida de estudo respondida!

Mais perguntas desse material

Considerando o problema de Detectar um perfil de clientes para fornecer cartão de crédito, associe os itens, utilizando o código a seguir:
I- Tarefa T.
II- Medida de Desempenho P.
III- Experiência de Treinamento E.
( ) Uma base de dados histórica em que os clientes já conhecidos são previamente classificados como bons ou maus pagadores.
( ) Porcentagem de clientes classificados corretamente.
( ) Classificar potenciais novos clientes como bons ou maus pagadores.
A II - I - III.
B III - II - I.
C I - II - III.
D III - I - II.

Sobre a função de regressão linear simples, assinale a alternativa CORRETA:


A y = a + bx
B y = a + b
C y = a + x
D y = bx

Com base nesse modo, assinale a alternativa CORRETA:


A Aprendizado por sistemas.
B Aprendizado supervisionado.
C Aprendizado não supervisionado.
D Aprendizado por reforço.

Sobre a implementação do Naive Bayes com o scikit-learn, para que o comando seja executado com êxito, ordene os itens a seguir:
I- print('A acurácia do Naive Bayes na base de treino é: {:.2f} '.format(classificador_NB.score(X_train_normalizado, y_train)))
II- classificador_NB = MultinomialNB()
III- classificador_NB.fit(X_train_normalizado, y_train)
IV- from sklearn.naive_bayes import MultinomialNB

A I - II - III - IV.
B IV - II - III - I.
C IV - III - II - I.
D I - III - IV - II.

Em machine learning, as tarefas mais conhecidas são as de classificação e de regressão. A regressão é uma técnica que permite inferir a relação de uma variável de resposta (y) com variáveis explicativas (x). Com base na função apresentada em anexo, ao generalizar a função de uma regressão linear, tendo em vista a possibilidade de vários valores de entrada (x), associe os itens, utilizando o código a seguir:
I- Variável dependente.
II- Variável independente.
III- Coeficiente angular.
IV- Coeficiente linear.

A III - IV - I - II.
B I - II - III - IV.
C IV - III - II - I.
D I - IV - III - II.

Em um exemplo de utilização de regressão linear, quando utilizado para a predição da produtividade de uma cultura, este pode ter seu desempenho prejudicado se houver fatores que alterem a produtividade da planta, mas que não sejam explicados quantitativamente pelos atributos independentes. Sobre a regressão linear, classifique V para as sentenças verdadeiras e F para as falsas:

( ) A regressão linear é uma tentativa de modelar uma equação matemática não linear, que descreve o relacionamento entre duas variáveis.
( ) A regressão pode ser representada por f(x) = a + bx.
( ) Os valores de a e b são calculados com base nos valores de entrada.
( ) É possível implementar a regressão linear no Python.
A V - F - V - F.
B F - F - V - V.
C F - V - V - V.
D F - V - F - F.

Mais conteúdos dessa disciplina