Carregando...
Carregando...
Carregando...
Comparar modelos requer uma análise além da acurácia, considerando métricas como área sob a curva ROC (AUC-ROC) e matriz de confusão. Essas métricas fornecem uma visão mais detalhada do desempenho em diferentes classes. Modelos com alta acurácia podem ter desempenho desequilibrado em classes minoritárias.
Diante do apresentado sobre o uso do algoritmo K-Nearest Neighbors (KNN), interprete as afirmativas a seguir:
I. O KNN pode ser usado tanto para classificação quanto para regressão.
II. O valor de k (número de vizinhos) sempre deve ser ímpar para que o algoritmo funcione corretamente.
III. O KNN é sensível à escolha da métrica de distância.
É correto o que se afirma em:
Explique melhor esta questão
Abre o Tutor com o enunciado e as alternativas já no campo — você revisa e envia.
Esta questão foi verificada por um de nossos administradores.
Alternativa C - I e III, apenas.
O algoritmo K-Nearest Neighbors (KNN) é um dos métodos mais fundamentais e intuitivos de Aprendizado de Máquina Supervisionado. Ele se baseia no princípio de que instâncias semelhantes tendem a estar próximas umas das outras no espaço de características, operando de forma não paramétrica e baseada em instâncias (lazy learning).
O funcionamento do KNN baseia-se no cálculo da distância entre um ponto de teste e os pontos de treinamento. O parâmetro $k$ define quantos vizinhos próximos serão considerados para tomar a decisão:
Como o cálculo depende da geometria do espaço, a escolha da métrica de distância (como Euclidiana, Manhattan ou Minkowski) e a escala dos dados são cruciais para o desempenho do modelo.
Vamos analisar cada uma das afirmações:
| Afirmação | Status | Justificativa | | :--- | :--- | :--- | | I. O KNN pode ser usado tanto para classificação quanto para regressão. | Correta | Embora mais popular em classificação, o KNN é perfeitamente aplicável à regressão ao calcular a média dos valores dos vizinhos mais próximos. | | II. O valor de k sempre deve ser ímpar para que o algoritmo funcione. | Incorreta | Utilizar um $k$ ímpar é uma boa prática em problemas de classificação binária para evitar empates, mas não é uma exigência técnica. O algoritmo funciona com qualquer número inteiro positivo $k > 0$. | | III. O KNN é sensível à escolha da métrica de distância. | Correta | A definição de "proximidade" depende inteiramente da métrica. Diferentes métricas podem resultar em diferentes vizinhos sendo selecionados, alterando completamente a saída do modelo. |
Portanto, as afirmações I e III estão corretas.
Conclui-se que o KNN é um algoritmo versátil (I) e dependente da definição de similaridade geométrica (III). A recomendação de usar $k$ ímpar (II) é apenas uma estratégia para desempate, e não uma limitação funcional do algoritmo.
Alternativa C.