Leia o trecho a seguir: Em algoritmos probabilísticos, a aleatoriedade é usada para simplificar sol...

Alternativa D - 1 - independentes; 2 - Teorema de Bayes

Introdução

O classificador Naive Bayes é um algoritmo probabilístico baseado na aplicação de princípios estatísticos para predição de classes. O nome "Naive" (Ingênuo) advém de uma simplificação matemática severa feita sobre a natureza dos dados.

Desenvolvimento

Para que o cálculo da probabilidade conjunta seja computacionalmente tratável, o algoritmo assume a independência condicional entre todos os atributos (preditores). Matematicamente, para uma classe $C$ e atributos $x_1, x_2, ..., x_n$, assume-se que: $P(x_1, x_2, ..., x_n | C) = P(x_1 | C) \cdot P(x_2 | C) \cdot ... \cdot P(x_n | C)$

Para realizar a classificação, ele utiliza o Teorema de Bayes, que relaciona a probabilidade a posteriori com a verossimilhança e a probabilidade a priori: $P(C|x) = \frac{P(x|C)P(C)}{P(x)}$

Análise

1. Preencher 1 (Independentes): O algoritmo assume que a presença de uma característica em uma classe não tem relação com a presença de qualquer outra característica. Embora raramente verdade na vida real, essa simplificação funciona bem na prática.
2. Preencher 2 (Teorema de Bayes): É a fórmula base que permite inverter as probabilidades para encontrar a classe mais provável dado um conjunto de observações.

Comparando com as opções:

• A e E citam KNN, que é um algoritmo baseado em distância (instâncias), não probabilidade Bayesiana.
• B e C sugerem que as variáveis são "dependentes", o que contradiz a premissa fundamental do Naive Bayes.

Conclusão

Os termos que preenchem corretamente as lacunas são "independentes" e "Teorema de Bayes", definindo a essência do modelo Naive Bayes.

Alternativa D.