Um data mining revela informações que consultas manuais não poderiam revelar efetivamente. Por exemplo, em data mining, o algoritmo de classificação permite
- A)dividir o banco de dados em segmentos cujos membros compartilhem características iguais por meio de redes neurais.
Errada, porque dividir o banco em segmentos com características semelhantes descreve clusterização, não classificação.
- B)analisar os dados históricos armazenados em um banco de dados e gerar automaticamente um modelo que possa prever comportamentos futuros.
Certa, pois classificação usa dados históricos para treinar um modelo que prevê classes ou comportamentos futuros.
- C)mapear dados por meio da técnica estatística e, assim, obter um valor de previsão a partir de técnicas de regressão linear e não linear.
Errada, porque fala em regressão para previsão numérica, o que não é a melhor descrição do algoritmo de classificação.
- D)estabelecer relações entre itens que estejam juntos em determinado registro, o que é conhecido como análise de cesta de compras.
Errada, pois estabelecer relações entre itens em um mesmo registro descreve regras de associação, como análise de cesta de compras.
Gabarito: B
Data mining é a técnica de explorar grandes volumes de dados para descobrir padrões, tendências e relações que não aparecem facilmente em consultas comuns. A ideia não é apenas “consultar”, mas extrair conhecimento útil escondido no histórico. Por isso ele é muito usado para apoio à decisão, previsão de comportamento e identificação de perfis. Quando a questão fala em algoritmo de classificação, pense em um método que aprende a partir de dados já conhecidos para atribuir uma classe ou categoria a novos casos. Em termos simples: o sistema observa exemplos do passado, encontra padrões e depois usa esse aprendizado para prever o futuro ou classificar algo novo. É quase como um aluno que estuda com provas antigas para acertar a próxima. Assim, o gabarito B está correto porque descreve exatamente esse processo: analisar dados históricos armazenados em um banco de dados e gerar automaticamente um modelo capaz de prever comportamentos futuros. Isso é típico de classificação em data mining, pois envolve aprendizado supervisionado e construção de modelo preditivo. As demais alternativas misturam conceitos de mineração de dados com outras técnicas, como clusterização e associação. A banca costuma cobrar essa separação com muito carinho: classificação prevê classes, clusterização agrupa sem rótulo prévio e regras de associação descobrem itens que aparecem juntos.