O aprendizado de regras de classificação em aprendizado de máquina consiste em identificar padrões e...

Alternativa A - Uma abordagem que busca construir regras uma a uma, cobrindo iterativamente exemplos positivos e ignorando os negativos.

Introdução

Os algoritmos de aprendizado baseados em regras buscam extrair conhecimento do tipo IF-THEN. Dentro desta categoria, os algoritmos de cobertura (também conhecidos como estratégia de "separar e conquistar") são fundamentais para a indução de regras a partir de exemplos de treinamento.

Desenvolvimento

Ao contrário das árvores de decisão, que utilizam "dividir e conquistar", o algoritmo de cobertura funciona da seguinte forma:

1. Identifica uma regra que explique (cubra) um subconjunto de exemplos (geralmente da classe positiva).
2. Remove do conjunto de dados todos os exemplos que foram cobertos por essa regra.
3. Repete o processo para os exemplos restantes até que todos os dados (ou uma maioria satisfatória) tenham sido processados.

Análise

• A está correta: Descreve o processo iterativo de construção de regras individuais para "cobrir" instâncias, limpando o conjunto de dados a cada passo.
• B está incorreta: Redes neurais são modelos de "caixa preta" baseados em pesos e não em algoritmos de cobertura de regras explícitas.
• C está incorreta: A divisão em subconjuntos disjuntos é característica de árvores de decisão, não necessariamente da lógica de cobertura de regras sequenciais.
• D está incorreta: O algoritmo de cobertura gera uma lista de regras (um conjunto), e não apenas uma regra global única.
• E está incorreta: A minimização do erro quadrático médio é típica de algoritmos de regressão e redes neurais, não de indução de regras categóricas.

Conclusão

O termo "cobertura" refere-se justamente à capacidade de uma regra englobar exemplos específicos do dataset, sendo o método iterativo a marca registrada desta abordagem.

Alternativa A.