MédiaMúltipla escolha

Questão de prática de AI-900

Um cientista de dados possui um conjunto de dados contendo informações sobre casas: tamanho (pés quadrados), número de quartos, localização e o preço real de venda. O objetivo é treinar um modelo que preveja o preço de uma nova casa com base nessas características. Qual é o tipo de tarefa de aprendizado de máquina?

Escolha a melhor resposta.

Resposta correta

  • BB) Regressão

Explicação

Esta é uma tarefa de regressão porque o objetivo é prever um valor numérico contínuo (o preço de venda) com base em características de entrada. Modelos de regressão aprendem a relação entre variáveis independentes (tamanho, quartos, localização) e uma variável dependente (preço) para gerar um número real. No Azure Machine Learning, algoritmos de regressão como Linear Regression, Decision Forest Regression ou Neural Network Regression seriam apropriados para este cenário.

Por que cada alternativa está certa ou errada

A

Incorreta

A) Classificação

A classificação prevê uma categoria discreta, enquanto o preço de venda é um valor numérico contínuo, portanto o modelo deve minimizar o erro de regressão. A classificação é adequada para prever um rótulo como estilo de casa ou venda/não venda. Prever uma quantidade é regressão.

B

Correta

B) Regressão

A regressão prevê um valor numérico contínuo, aqui o preço de venda, a partir de características rotuladas como tamanho, quartos e localização. Como a variável alvo é quantitativa em vez de uma classe discreta, a regressão satisfaz o requisito de aprendizado supervisionado no enunciado, ao contrário da classificação que geraria categorias.

C

Incorreta

C) Clustering

O clustering agrupa registros não rotulados por similaridade, descobrindo estrutura sem uma variável alvo. O conjunto de dados inclui o preço real de venda, um rótulo conhecido para prever. O clustering é adequado para tarefas de segmentação, como agrupar clientes por comportamento de compra, onde não existe uma coluna de resultado.

D

Incorreta

D) Aprendizado por reforço

O aprendizado por reforço aprende uma política a partir de sinais de recompensa por meio de interação de tentativa e erro com um ambiente; o conjunto de dados fornece exemplos rotulados sem agente ou recompensa. É adequado para problemas de decisão sequencial, como jogar jogos ou navegação de robôs, não para prever um preço contínuo a partir de características fixas.

Para se aprofundar

A regressão prevê um alvo numérico contínuo, portanto o modelo aprende uma função que mapeia características como metragem quadrada, contagem de quartos e localização codificada para um preço de valor real, normalmente minimizando o erro quadrático médio. A classificação, por outro lado, gera rótulos de classe discretos, o agrupamento (clustering) agrupa dados não rotulados sem um alvo, e o aprendizado por reforço otimiza ações por meio de sinais de recompensa. Uma sutileza é que a regressão assume que a distribuição do alvo e a estrutura de erro importam: preços distorcidos frequentemente justificam uma transformação logarítmica, e a avaliação usa MAE, RMSE ou R-quadrado em vez de precisão. Na prática, um modelo imobiliário treinado dessa forma também deve se proteger contra a extrapolação, já que prever preços para tamanhos muito fora da faixa de treinamento gera resultados não confiáveis, e a localização categórica precisa de codificação adequada para evitar implicar distância ordinal entre bairros.

Sobre estas questões de prática

Esta é uma das questões de prática originais de AI-900 da Courseiva, escrita para o aprendizado e nunca copiada de provas reais nem de dumps.

Traduzida do original em inglês com IA e conferida quanto ao sentido. Códigos de exame, comandos e nomes de produtos são mantidos como aparecem na prova.