A classe da biblioteca scikit-learn, versão 1.1.2, utilizada em scripts python para a implementação de regressão linear baseada no método dos mínimos quadrados é
- A)scikit-learn.LinearRegression.
Errada: scikit-learn não é o caminho de acesso da classe, pois o pacote correto para importação é sklearn, não scikit-learn como namespace direto.
- B)sklearn.linear.ml.LinearRegression.
Errada: o submódulo linear.ml não corresponde à estrutura real da biblioteca scikit-learn.
- C)sklearn.linear_model.LinearRegression.
Certa: sklearn.linear_model.LinearRegression é a classe correta para regressão linear por mínimos quadrados na scikit-learn.
- D)sklearn.model.ml.Linear_Regression.LstSquare.
Errada: esse nome mistura estruturas que não existem na biblioteca e ainda usa um formato de classe inexistente.
- E)scikit-learn.linear_model.LinearRegression.LeastSquare.
Errada: a nomenclatura LeastSquare e a hierarquia indicada não correspondem à API da scikit-learn.
Gabarito: C
Na biblioteca scikit-learn, a regressão linear clássica em Python é feita pela classe LinearRegression, que fica dentro do módulo sklearn.linear_model. Esse caminho importa: em bibliotecas como essa, o nome da classe e o local exato de importação costumam cair na prova como uma luva de pegadinha. No caso da regressão linear pelo método dos mínimos quadrados, a classe usada é justamente LinearRegression. Ela ajusta um modelo linear aos dados procurando minimizar a soma dos quadrados dos erros, que é a ideia central do método dos mínimos quadrados. Por isso, o gabarito é a alternativa C. O enunciado pede a classe da scikit-learn, versão 1.1.2, usada em scripts Python para regressão linear baseada em mínimos quadrados, e o caminho correto é sklearn.linear_model.LinearRegression. Em prova, vale guardar o pacote e o submódulo: sklearn é o pacote, linear_model é o módulo de modelos lineares, e LinearRegression é a classe. Parece detalhe de importação, mas em concurso detalhe vira ponto.