ML

Qual afirmação é correta sobre a precisão?

• A precisão é a porcentagem amostras relevantes classificadas como TP considerando todas as amostras classificadas na classe alvo.

• A precisão é a porcentagem amostras relevantes classificadas como TP considerando todas as amostras da classe alvo.

• Respostas 1 e 2 são corretas

• Nenhuma é correta

Qual afirmação é correta sobre a revocação?

• A revocação é a porcentagem amostras relevantes classificadas como TP considerando todas as amostras classificadas na classe alvo.

• A revocação é a porcentagem amostras relevantes classificadas como TP considerando todas as amostras da classe alvo.

• Respostas 1 e 2 são corretas

• Nenhuma é correta

Para que serve o F-score?

• Para quantificar quanto a precisão afetou a revocação.

• Para quantificar quanto a revocação afetou a precisão.

• Para quantificar quanto num único número o desempenho geral do sistema, porque é difícil comparar vários sistemas olhando para duas métricas diferentes.

• Nenhuma

Para que serve a redução de dimensão?

• Eliminar features ruidosas

• simplificar a função de decisão do modelo

• evitar o problema da "maldição da entrada"

• todas

Porque não deve ser utilizado o fit_transform() no dataset de teste?

• Porque o conjunto de teste sempre é menor que o conjunto de treinamento, portanto não existem dados suficientes para aprender a transformação dos dados.

• Porque os parâmetros aprendidos no conjunto de treino serão reaprendidos no teste, obtendo-se outros valores.

• Respostas 1 e 2 são corretas

• Nenhuma

Em quais casos devemos adotar o critério de 90% da variância para selecionar as componentes relevantes do PCA?

• Quando queremos eliminar informação redundante.

• Quando não temos um estimador para avaliar a quantidade ótima de componentes depois da redução.

• Nenhuma

• todas

Em qual situação é mais conveniente utilizar LDA para reduzir dimensão?

• Em problemas não supervisionados

• Em problemas supervisionados

• Sempre

• Nunca

Qual é diferença principal na metodologia do tSNE?

• O tSNE aprende um mapeamento completo não supervisionado baseado nos vizinhos, portanto devemos reduzir o dataset completo antes de separar em treino e teste.

• O tSNE aprende um mapeamento completo não supervisionado baseado nos vizinhos, portanto sempre devemos separar em treino e teste antes aplicar o fit_transform().

• Nenhuma

• Todas

O pipeline serve para automatizar os experimentos evitando misturar teste e treino?

• True

• False

O objeto pipe de um pileine utiliza o método do último objeto do incluído no pipe.

• False

• True