Atualmente existem várias técnicas de aprendizado de máquina. A técnica que usa uma função que recebe como entrada um vetor de valores de atributos e retorna um único resultado como valor de saída, sendo que os valores de entrada e saída podem ser discretos ou contínuo e para cada elemento do vetor será classificado como verdadeira (um exemplo positivo) ou falso (um exemplo negativo). Essa técnica é conhecida como
- A)detecção de anomalias.
Errada, porque detecção de anomalias busca identificar casos fora do padrão, e não uma função de classificação com saída positiva ou negativa para cada vetor de entrada.
- B)árvore de decisão.
Certa, porque árvore de decisão usa atributos de entrada para chegar a uma classificação final, podendo trabalhar com valores discretos ou contínuos.
- C)k-means.
Errada, porque k-means é um algoritmo de agrupamento não supervisionado, usado para formar clusters, e não para classificar exemplos em verdadeiro ou falso.
- D)dbscan.
Errada, porque DBSCAN também é um método de clustering, baseado em densidade, e não uma técnica de classificação supervisionada.
- E)pca.
Errada, porque PCA é uma técnica de redução de dimensionalidade, voltada a transformar variáveis, e não a produzir classificação binária.
Gabarito: B
A questão descreve uma técnica em que você pega um vetor de atributos de entrada e, a partir dele, chega a uma saída única, geralmente para decidir se algo pertence ou não a uma classe. Em termos simples, é o tipo de método que aprende com exemplos e depois faz classificações, como dizer se um caso é positivo ou negativo. Isso é bem típico de modelos de classificação supervisionada. A grande pista está justamente nessa ideia de separar exemplos em duas categorias, verdadeiro ou falso, positivo ou negativo. Entre as técnicas clássicas cobradas em prova, a árvore de decisão faz exatamente isso: ela vai testando atributos em etapas sucessivas até chegar a uma decisão final. É quase um “se acontecer isso, vá para um lado; se não, vá para o outro”, até bater o martelo. Por isso o gabarito é a letra B. A árvore de decisão trabalha com entradas que podem ser discretas ou contínuas e produz uma saída de classificação, que pode ser binária ou multiclasse. Em concurso, a banca costuma associar essa descrição ao modelo de classificação por regras hierárquicas, bem intuitivo e muito cobrado em IA básica. Já as demais alternativas fogem do perfil. K-means, DBSCAN e PCA são técnicas mais ligadas a agrupamento, detecção de grupos e redução de dimensionalidade, não a essa lógica de classificar cada exemplo como positivo ou negativo. Detecção de anomalias também não bate com a definição apresentada, porque o foco dela é identificar pontos fora do padrão, e não construir uma função de classificação como a descrita.