Vamos analisar cada afirmativa: I. A matriz de confusão é uma ferramenta poderosa na preparação das bases de dados com a finalidade de evitar garbage in, garbage out. Falso. A matriz de confusão é utilizada para avaliar a performance de um modelo de classificação, mas não é uma ferramenta de preparação de dados. II. Para avaliar se um algoritmo está bom ou ruim a única métrica usada é erro médio absoluto (MAE). Falso. O erro médio absoluto (MAE) é uma das métricas, mas não é a única. Existem várias outras métricas, como erro quadrático médio (RMSE), precisão, recall, entre outras. III. Treinar um modelo, é importante avaliarmos se ele está funcionando como esperado (ou não). Verdadeiro. Avaliar o desempenho de um modelo após o treinamento é fundamental para entender se ele está funcionando corretamente. IV. Os testes estatísticos não podem ser usados para medir a performance de algoritmos de aprendizagem não-supervisionada. Falso. Embora a avaliação de algoritmos não-supervisionados seja mais desafiadora, existem métodos estatísticos que podem ser aplicados para medir a performance, como a análise de agrupamento. Com base nas análises, a única afirmativa correta é a III. Portanto, a alternativa correta é: C - III.