Com relação às técnicas de redução de dimensionalidade, no contexto de aprendizado de máquina, analise as afirmativas a seguir e assinale (V) para a verdadeira e (F) para a falsa. ( ) As técnicas de agregação formam novos atributos, por meio da combinação de grupos dos atributos originais. ( ) As técnicas de seleção de atributos descartam parte dos atributos originais. ( ) Técnicas de seleção de atributos embutidas são aplicadas na etapa de pré-processamento. As afirmativas são, respectivamente,
- A)F – V – F.
Errada, porque a primeira afirmativa é verdadeira e a segunda também, então o padrão não pode ser F - V - F.
- B)F – V – V.
Errada, porque a terceira afirmativa é falsa, já que seleção embutida não é etapa típica de pré-processamento.
- C)V – F – F.
Errada, porque a primeira afirmativa é verdadeira e a segunda também não é falsa.
- D)V – V – F.
Certa, pois agregação forma novos atributos, seleção descarta parte dos originais e técnicas embutidas não são apenas pré-processamento.
- E)F – F – V.
Errada, porque a primeira e a segunda afirmativas são verdadeiras, então não existe motivo para começar com F - F.
Gabarito: D
Redução de dimensionalidade serve para diminuir a quantidade de variáveis sem perder, de forma relevante, a informação útil do problema. Em aprendizado de máquina, isso ajuda a reduzir ruído, evitar sobreajuste e até acelerar o treino. As duas grandes ideias cobradas aqui são seleção e agregação de atributos. Na seleção de atributos, voce mantém apenas parte das variáveis originais e descarta as menos úteis. Ou seja, a informação continua na forma original, só que em menor quantidade. Já na agregação, voce cria novos atributos a partir da combinação de atributos antigos, como acontece em técnicas de extração de componentes ou projeção. Aqui, a variável nova não é simplesmente uma cópia, mas um resumo dos dados anteriores. Por isso, a primeira afirmativa é verdadeira: agregação realmente forma novos atributos combinando grupos dos atributos originais. A segunda também é verdadeira, porque seleção de atributos justamente elimina parte das variáveis existentes. A terceira é falsa: técnicas embutidas, como LASSO e árvores de decisão, não são típicas da etapa de pré-processamento; elas acontecem junto com o treinamento do modelo, isto é, o próprio algoritmo já faz a seleção enquanto aprende. Assim, o gabarito D está correto: V - V - F. Em resumo, seleção corta, agregação recria, e método embutido trabalha junto do modelo, não antes dele.