Grátis: Os métodos de Penalização, que utilizam abordagens de regularização como o Ridge (L1), o Lasso (L2) e o Elastic Net, são utilizados em contextos em... – Questões Respondidas

Desenvolvimento Humano

Outros

Os métodos de Penalização, que utilizam abordagens de regularização como o Ridge (L1), o Lasso (L2) e o Elastic Net, são utilizados em contextos em que o modelo de Regressão Linear simples não é adequado. Nessas situações, suposições feitas sobre os dados não são válidas, como é o caso de quando há mais atributos do que tuplas no conjunto de dados (GERON, 2017).
Considerando as características da Penalização para Regressão Linear, analise as sentenças a seguir:
I- A multicolinearidade é rara, ocorrendo em apenas conjuntos de dados de áreas específicas, fazendo com que métodos de Penalização sejam pouco utilizados.
II- método Ridge faz com que determinados coeficientes diminuam, enquanto o método Lasso faz com que determinados coeficientes da regressão sejam zerados.
III- Quando utilizamos a Regularização por L1 ou L2, os coeficientes de Regressão são zerados.
IV- método Elastic Net funciona como um meio termo entre L1 e L2.
A Somente a sentença IV está correta.
B As sentenças II e IV estão corretas.
Somente a sentença I está correta.
D As sentenças I e III estão corretas.

Desafios para Aprender

anteontem

Desafios para Aprender

anteontem

mineiracao de dados 02

mineiracao de dados 02

Uniasselvi

Respostas

Ed

anteontem

Vamos analisar cada uma das sentenças: I- A multicolinearidade é rara, ocorrendo em apenas conjuntos de dados de áreas específicas, fazendo com que métodos de Penalização sejam pouco utilizados. Falso, a multicolinearidade é um problema comum em muitos conjuntos de dados e é uma das razões pelas quais os métodos de penalização são frequentemente utilizados. II- O método Ridge faz com que determinados coeficientes diminuam, enquanto o método Lasso faz com que determinados coeficientes da regressão sejam zerados. Verdadeiro, essa afirmação está correta. O Ridge penaliza os coeficientes, mas não os zera, enquanto o Lasso pode zerar alguns coeficientes. III- Quando utilizamos a Regularização por L1 ou L2, os coeficientes de Regressão são zerados. Falso, apenas o método Lasso (L1) pode zerar coeficientes, enquanto o Ridge (L2) apenas os diminui. IV- O método Elastic Net funciona como um meio termo entre L1 e L2. Verdadeiro, essa afirmação está correta, pois o Elastic Net combina as penalizações L1 e L2. Agora, vamos ver quais sentenças estão corretas: - A sentença II está correta. - A sentença IV está correta. - As sentenças I e III estão incorretas. Portanto, a alternativa que contém todas as sentenças verdadeiras é: B) As sentenças II e IV estão corretas.

Essa resposta te ajudou?

0

0

Ainda com dúvidas?

Envie uma pergunta e tenha sua dúvida de estudo respondida!

Essa pergunta também está no material:

mineiracao de dados 02

mineiracao de dados 02

Uniasselvi

Mais perguntas desse material

A predição de dados consiste na construção de um modelo com base em atributos preditores e no alvo da análise, que pode ser discreto ou contínuo. Após criar o modelo, um importante passo é avaliar sua qualidade para predizer classes de dados novos, cujo rótulo é desconhecido. Para isso, é essencial que sejam realizadas duas etapas, o treinamento e o teste do modelo de predição.
Com base nas fases de treinamento e teste do modelo, assinale a alternativa CORRETA:
A conjunto de dados completo deve ser utilizado nas duas fases.
A validação cruzada é realizada sobre a base completa, dividindo as tuplas em conjuntos B separados de teste e treino. número de vezes que isso é feito é passado como parâmetro para o método.
conjunto de treinamento deve, obrigatoriamente, ter 90% dos dados, e o de teste 10%.
A abordagem leave-one-out (LOO) é uma forma de validação cruzada, que cria o modelo com D base em todos os atributos da base exceto um, por iteração. Esse processo é repetido de forma que cada atributo da base é deixado de fora do treinamento por uma vez.

A Regressão de dados consiste no processo de usar o valor de variáveis correlacionadas para predizer o valor de uma variável alvo numérica (BERRY; LINOFF, 1997). A Regressão Linear é uma forma simples de predição contínua, que constrói um modelo classificador capaz de predizer valores considerando o intervalo numérico definido pelo domínio do atributo alvo.
Com base no conceito de Regressão, assinale a alternativa CORRETA:
A Regressão Linear simples busca fitar uma curva entre as observações de pares de variáveis em uma amostra, minimizando o erro de predição ao máximo.
A Regressão Linear simples busca fitar uma reta entre as observações de pares de variáveis em uma amostra.
A Regressão Linear é indicada tanto para valores contínuos quanto categóricos em sua variável alvo de predição, desde que as informações estejam representadas por números.
A Regressão Linear funciona mesmo quando não se tem variável alvo de predição no conjunto de D dados analisado, mas é primordial que as fases de treinamento e teste sejam realizadas sobre conjuntos de dados distintos.

As partes que compõem as estruturas de árvores de decisão são: o nó raiz, os nós internos e as folhas. As folhas contêm, cada uma, um valor possível (ou rótulo) de saída. Na construção da árvore, nós internos são divididos segundo uma heurística de divisão pré-estabelecida, utilizando atributos de modo a otimizar a separação do espaço de dados.
Nesse contexto, classifique V para as sentenças verdadeiras e F para as falsas: Uma medida de seleção de atributo para nós não folha de uma árvores especifica uma heurística para selecionar o atributo que melhor discrimina uma partição de dados em classes individuais.
método de seleção de atributos é executado a cada iteração do algoritmo para selecionar o melhor atributo a ser utilizado nos nós, por meio de uma medida de seleção, até que ocorra uma condição de parada.
Dentre as funções de parada amplamente utilizadas para Árvores de Decisão estão o Ganho de Informação e o Gini Index.
A B V-F-V.
V-V-F.

Após treinado o modelo de regressão, o teste de sua qualidade é feito por meio de tuplas que conhecemos os valores da variável alvo. Os valores preditos pelo modelo dos dados de teste são comparados aos valores reais da variável alvo. Para saber o quão correto é o modelo, são utilizadas medidas de interesse.
Considerando a abordagem de Regressão Linear simples e sua validação, analise as sentenças a seguir:
I- A variância explicada, o erro médio absoluto e o coeficiente de determinação são exemplos de medidas de qualidade para algoritmos de Regressão.
II- As medidas de interesse para avaliar os métodos de Regressão Linear são baseadas no número de predições corretas e incorretas efetuadas pelo classificador, na fase de teste do modelo.
III- Método de Mínimos quadrados Parciais é utilizado para resolver os coeficientes de Regressão Linear simples, e o erro de predição durante o treinamento é zero.
A Somente a sentença I está correta.
B Somente a sentença III está correta.
As sentenças I e III estão corretas.
D As sentenças II e III estão corretas.

A predição de dados pode ser aplicada em diversos setores e aplicações, incluindo a indústria, o comércio, e também em diversas áreas de pesquisa acadêmica e tecnológica. Tais abordagens modelam as variáveis de entrada de forma, disponíveis nos dados analisados, de forma a construir um modelo (ou função) capaz de predizer novos dados, posteriormente.
Com base nas aplicações que podem potencialmente tirar proveito de algoritmos de predição, assinale a alternativa CORRETA:
A Tanto a predição contínua como a discreta dependem da identificação ou criação de um atributo, no conjunto de dados, que descreva e distinga classes de dados ou valores que tenham alguma relação entre si.
B Algoritmos de predição contínua podem identificar categorias de dados mesmo que tenhamos apenas medições categóricas em nossos dados.
C Algoritmos de busca por consumidores com padrões de compra de determinados produtos parecidos podem ser modelados utilizando a predição contínua.
D Predição só pode ser aplicada quando especialistas categorizam tuplas de dados em valores discretos, mesmo que os dados sejam originalmente numéricos.

Método de Mínimos Quadrados Parciais (PLS) foi proposto inicialmente para a área de Ciências Sociais, especificamente para a econômica. No entanto, seu uso foi rapidamente difundido em diversas áreas de aplicação, incluindo Neuroimagem e Ciências Sociais (como técnicas multivariadas não-experimentais). PLS tem como grande diferencial a capacidade de predição de múltiplas variáveis de saída.
Sobre o exposto, analise as sentenças a seguir:
I- método de Mínimos Quadrados Parciais reduz a influência de variáveis com correlação forte no conjunto de dados.
II- método de Mínimos Quadrados Parciais trabalha com covariações de variáveis altamente relacionadas e constrói combinações lineares entre conjuntos de variáveis a partir dos dados de entrada.
III- método de Mínimos Quadrados Parciais evita o compartilhamento de informações entre diversas variáveis alvo ao modelá-las separadamente.
A Somente a sentença III está correta.
B Somente a sentença II está correta.
As sentenças I e III estão corretas.
D As sentenças I e II estão corretas.

aprendizado supervisionado é um termo geral que diz respeito aos métodos de mineração de dados voltados para a construção de um modelo. Esse modelo é preditivo, e é construído a partir de conjuntos de dados de treinamento que já estão rotulados, ou seja, cada tupla tem como rótulo um valor possível de classe (ou rótulo). Nesse contexto, temos duas formas de predição, a contínua e a discreta.
Considerando as principais características da predição de dados, discreta e contínua, classifique V para as sentenças verdadeiras e F para as falsas:
A predição aceita atributos de diferentes tipos como parâmetros de entrada.
A predição requer um atributo alvo categórico.
Há dois algoritmos de predição, um para atributos discretos e um para atributos contínuos.
A B D

A Mineração de Dados é considerada a principal etapa do Processo de KDD. Nela, são executados algoritmos que buscam encontrar, efetivamente, padrões nos dados que sejam compreensíveis e úteis para o domínio da aplicação. Com as técnicas construídas para a etapa de Mineração de Dados podemos fazer predições sobre os dados, e quando temos uma variável alvo para a análise, chamamos de aprendizado supervisionado o processo de criação do modelo e predição.
Sobre o aprendizado supervisionado, analise as sentenças a seguir:
I- Algoritmos de classificação separam os dados de acordo com o conjunto de rótulos disponíveis no atributo classe.
II- A Regressão é uma abordagem preditiva, indicada para estimar valores numéricos.
III- Tanto a Regressão como a Classificação efetuam a predição de dados de maneira supervisionada, mesmo que considerem diferentes tipos de variáveis alvo.
IV- modelo preditivo construído a partir dos dados sempre acerta ao predizer o valor de tuplas novas, cujo valor é desconhecido, pois foi construído para isso.
A As sentenças I, II e III estão corretas.
B As sentenças I, III e IV estão corretas.
As sentenças I, II e IV estão corretas.
D As sentenças II e IV estão corretas.

A Regressão Linear por Mínimos Quadrados Parciais (PLS) trabalha com a predição de um conjunto de variáveis alvo ao mesmo tempo. Na prática, há várias implementações disponíveis para dar suporte à implementação desse tipo de técnica, disponibilizadas por bibliotecas abertas nas linguagens Python e R, por exemplo, que são trivialmente instaladas e instanciadas por meio das sintaxes específicas.
Com base na implementação da Regressão por Mínimos Quadrados Parciais usando a linguagem R, classifique V para as sentenças verdadeiras e F para as falsas:
Existem bibliotecas que implementam o PLS, e recebem uma matriz com os valores de cada uma das variáveis alvo, além da matriz com as variáveis preditoras.
A implementação do PLS é feita por meio da instanciação de um modelo de Regressão Linear por variável alvo, para posterior dos modelos.
Não é possível implementar a validação cruzada quando implementamos o PLS, pois o modelo tem que lidar com diversas variáveis ao mesmo tempo.
A V - F - F.
D V - F - V.