Equipe Gabarite
EQUIPE
29/08/2026 • 15:01
Vamos falar sobre duas técnicas muito usadas em ciência de dados para reduzir a dimensionalidade: PCA (Análise de Componentes Principais) e t-SNE (t-distributed Stochastic Neighbor Embedding). Ambas são muito valiosas, especialmente quando lidamos com bases de dados enormes que dificultam visualizações simples ou até mesmo cálculos básicos devido à quantidade de variáveis.
O PCA funciona transformando os dados em um novo espaço formado por combinações lineares das variáveis originais (os chamados componentes principais), preservando o máximo possível da variância total dos dados. Resumidamente, ele tenta "resumir" o que mais varia nos dados com menos colunas (componentes) e faz isso de forma linear.
Já o t-SNE é conhecido por sua capacidade de visualizar dados de alta dimensão em duas ou três dimensões, focando em preservar a estrutura local dos dados, ou seja, pontos que estão próximos no espaço de alta dimensão tendem a ficar próximos no espaço reduzido. O t-SNE é mais voltado para visualização e não para compressão real dos dados — ele é ótimo para enxergarmos agrupamentos e padrões, mas não serve, por exemplo, para tentar reconstruir os dados originais.
Analisando as alternativas: a) está errada porque ambas reduzem variáveis, não registros, e não preservam todas as variáveis originais. b) está incorreta porque t-SNE não busca relações lineares e PCA não maximiza separação visual de agrupamentos desconhecidos explicitamente. d) está errada, pois as componentes não são facilmente interpretáveis como variáveis originais, e a reconstrução sem perda é impossível se for feita redução. e) também está totalmente errada quanto à aplicabilidade dos métodos.
Portanto, a única alternativa tecnicamente correta é a letra c, pois expressa que o PCA preserva variância via projeções lineares, enquanto o t-SNE enfatiza relações de vizinhança locais para visualização exploratória. Gabarito: letra c.
O PCA funciona transformando os dados em um novo espaço formado por combinações lineares das variáveis originais (os chamados componentes principais), preservando o máximo possível da variância total dos dados. Resumidamente, ele tenta "resumir" o que mais varia nos dados com menos colunas (componentes) e faz isso de forma linear.
Já o t-SNE é conhecido por sua capacidade de visualizar dados de alta dimensão em duas ou três dimensões, focando em preservar a estrutura local dos dados, ou seja, pontos que estão próximos no espaço de alta dimensão tendem a ficar próximos no espaço reduzido. O t-SNE é mais voltado para visualização e não para compressão real dos dados — ele é ótimo para enxergarmos agrupamentos e padrões, mas não serve, por exemplo, para tentar reconstruir os dados originais.
Analisando as alternativas: a) está errada porque ambas reduzem variáveis, não registros, e não preservam todas as variáveis originais. b) está incorreta porque t-SNE não busca relações lineares e PCA não maximiza separação visual de agrupamentos desconhecidos explicitamente. d) está errada, pois as componentes não são facilmente interpretáveis como variáveis originais, e a reconstrução sem perda é impossível se for feita redução. e) também está totalmente errada quanto à aplicabilidade dos métodos.
Portanto, a única alternativa tecnicamente correta é a letra c, pois expressa que o PCA preserva variância via projeções lineares, enquanto o t-SNE enfatiza relações de vizinhança locais para visualização exploratória. Gabarito: letra c.