A seleção de características (feature selection) é uma etapa importante no contexto de aprendizado de máquina, principalmente quando há diversas dimensões que podem ser exploradas. O conjunto de características (features) selecionadas pode ser efetivamente utilizado para construir modelos preditivos ou realizar outras análises estatísticas. Dentro deste contexto, é correto afirmar que a seleção de característica: A) não contribui para melhorar a precisão do modelo ao remover ruídos dos dados. B) não pode ser feita utilizando algoritmos baseados em filtro, embutidos ou de wrapper. C) é um processo que pode aumentar a velocidade de treinamento do modelo independentemente do tamanho do conjunto de dados. D) é necessária apenas quando o modelo de aprendizado de máquina apresenta overfitting. E) não tem capacidade de reduzir a complexidade do modelo, facilitando sua interpretação e reduzindo o risco de overfitting.

C) é um processo que pode aumentar a velocidade de treinamento do modelo independentemente do tamanho do conjunto de dados.

Questões Noções de Informática Inteligência Artificial e Automação

A seleção de características (feature selection) é uma etapa importante no contexto de ...

Responda: A seleção de características (feature selection) é uma etapa importante no contexto de aprendizado de máquina, principalmente quando há diversas dimensões que podem ser exploradas. O conjunto de ca...

1Q1078296 | Noções de Informática, Inteligência Artificial e Automação, Bioinformática, FIOCRUZ, FIOCRUZ, 2024

A seleção de características (feature selection) é uma etapa importante no contexto de aprendizado de máquina, principalmente quando há diversas dimensões que podem ser exploradas. O conjunto de características (features) selecionadas pode ser efetivamente utilizado para construir modelos preditivos ou realizar outras análises estatísticas. Dentro deste contexto, é correto afirmar que a seleção de característica:

✂️ a) não contribui para melhorar a precisão do modelo ao remover ruídos dos dados.
✂️ b) não pode ser feita utilizando algoritmos baseados em filtro, embutidos ou de wrapper.
✂️ c) é um processo que pode aumentar a velocidade de treinamento do modelo independentemente do tamanho do conjunto de dados.
✂️ d) é necessária apenas quando o modelo de aprendizado de máquina apresenta overfitting.
✂️ e) não tem capacidade de reduzir a complexidade do modelo, facilitando sua interpretação e reduzindo o risco de overfitting.