Carregando...
Carregando...
Ajude a melhorar a plataforma
Na área de engenharia, árvores de decisão são aplicadas no controle de qualidade, ajudando a identificar falhas em produtos ou processos. Elas classificam variáveis de produção para apontar fatores que levam a defeitos, permitindo intervenções direcionadas para melhorar a eficiência e reduzir desperdícios.
Com relação a este contexto e sobre o conteúdo estudado, examine as asserções a seguir e a relação proposta entre elas:
I. As regras de divisão em modelos de classificação, como as usadas em árvores de decisão, são baseadas em métricas como entropia, Gini e ganho de informação, que avaliam a pureza dos subconjuntos formados após uma divisão.
PORQUE II. A entropia e o ganho de informação sempre levam a melhores divisões que o índice de Gini, porque a entropia penaliza mais as divisões impuras.
A respeito dessas asserções, assinale a alternativa correta.
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 D - A asserção I é uma proposição verdadeira, e a II é uma proposição falsa.
As árvores de decisão utilizam métricas matemáticas para determinar a melhor forma de dividir um conjunto de dados em subconjuntos mais homogêneos (puros), visando a classificação precisa dos dados.
No processo de construção de uma árvore de decisão, o algoritmo busca o atributo que melhor separa as classes. Para isso, utiliza-se o conceito de impureza. As principais métricas são:
| Asserção | Veracidade | Justificativa | | :--- | :--- | :--- | | I. Regras de divisão baseadas em Entropia, Gini e Ganho de Informação. | Verdadeira | São as métricas padrão para avaliar a pureza dos nós e decidir as divisões da árvore. | | II. Entropia sempre leva a melhores divisões que o Gini. | Falsa | Não existe evidência de que a Entropia seja superior ao Gini em todos os casos. Na prática, ambos produzem resultados similares, sendo que o Gini é computacionalmente mais eficiente por não envolver logaritmos. |
A relação de causalidade ("PORQUE") é inexistente, pois a segunda afirmação é tecnicamente incorreta.
Enquanto a primeira asserção descreve corretamente os fundamentos matemáticos das divisões em árvores de decisão, a segunda falha ao tentar estabelecer uma hierarquia de superioridade absoluta entre as métricas, o que não é verdade na ciência de dados.
Alternativa D.