Vamos analisar as alternativas para identificar a principal vantagem do algoritmo XGBoost em um modelo de aprendizado supervisionado: a) Ele é mais simples que outros algoritmos e exige menos recursos computacionais. - Embora o XGBoost seja eficiente, não é necessariamente mais simples que outros algoritmos. b) Ele é um modelo de regressão que pode lidar apenas com dados numéricos. - O XGBoost pode lidar com dados categóricos e não se limita apenas a modelos de regressão. c) Ele é uma implementação de árvores de decisão que utiliza gradient boosting para melhorar a acurácia do modelo. - Esta afirmação é verdadeira e destaca a principal vantagem do XGBoost, que é a utilização de gradient boosting para aumentar a precisão. d) Ele é usado apenas para problemas de classificação com dados binários. - O XGBoost pode ser usado para problemas de classificação e regressão, não se limitando a dados binários. e) Ele trabalha apenas com dados não rotulados. - O XGBoost é um algoritmo de aprendizado supervisionado, portanto, trabalha com dados rotulados. A alternativa que melhor descreve a principal vantagem do XGBoost é: c) Ele é uma implementação de árvores de decisão que utiliza gradient boosting para melhorar a acurácia do modelo.