MédiaMúltipla escolha

Questão de prática de AI-900

Um cientista de dados deseja treinar um modelo de machine learning para prever o preço exato de mercado de uma casa com base em características como metragem quadrada, número de quartos e localização. Qual tipo de tarefa de machine learning deve ser usado?

Escolha a melhor resposta.

Resposta correta

  • BRegression

Explicação

Prever o preço exato de mercado de uma casa é uma tarefa de regressão porque a variável-alvo (preço) é um valor numérico contínuo. Os algoritmos de regressão, como a regressão linear ou a regressão por árvore de decisão, aprendem a relação entre as características de entrada (por exemplo, metragem quadrada, quartos, localização) e uma saída contínua. No Azure Machine Learning, você selecionaria um modelo de regressão no designer ou no AutoML para resolver esse problema.

Por que cada alternativa está certa ou errada

A

Incorreta

Classification

Prever um preço de mercado exato é uma tarefa de regressão, não de classificação, pois a variável-alvo é um valor numérico contínuo em vez de uma categoria discreta. Esta opção é tentadora porque a classificação é comumente usada para prever rótulos como faixas de preço “baixa”, “média” ou “alta”, o que seria correto se o objetivo fosse atribuir uma casa a um nível de preço predefinido.

B

Correta

Regression

A regressão prevê um valor numérico contínuo, portanto ajusta-se à previsão do preço exato de uma casa a partir de características como metragem quadrada, quartos e localização. A classificação geraria rótulos ou categorias discretas, que não podem representar o preço exato de mercado exigido pelo cenário.

C

Incorreta

Clustering

O clustering agrupa registros não rotulados por similaridade e gera atribuições de clusters, não um valor numérico contínuo. Prever o preço exato de uma casa requer regressão, que ajusta uma função mapeando características como metragem quadrada para um alvo contínuo. O clustering seria adequado para segmentar casas em agrupamentos de vizinhança.

D

Incorreta

Anomaly Detection

A detecção de anomalias sinaliza observações raras que se desviam de um padrão normal aprendido, produzindo um rótulo em vez de uma estimativa numérica. Prever o preço exato de uma casa precisa de regressão em características contínuas. A detecção de anomalias seria correta para identificar listagens de propriedades incomuns, como fraudes ou erros de digitação de dados.

Para se aprofundar

Os modelos de regressão aprendem um mapeamento contínuo de características de entrada para um alvo numérico minimizando uma perda como o erro quadrático médio, de modo que a saída seja um número de valor real em vez de um rótulo discreto. Internamente, a regressão linear ajusta os coeficientes por mínimos quadrados ordinários, enquanto os regressores impulsionados por gradiente (gradient-boosted) ou neurais otimizam o mesmo objetivo de erro quadrático iterativamente. Uma sutileza que vale a pena conhecer é que a regressão prevê uma expectativa condicional, portanto pode gerar valores fora de qualquer intervalo plausível, como um preço negativo; os profissionais frequentemente cortam (clip) ou aplicam transformação logarítmica ao alvo. Isso importa na avaliação imobiliária, onde um modelo que estima o preço exato de mercado alimenta decisões automatizadas de avaliação ou empréstimo, e classificar erroneamente a tarefa como classificação descartaria totalmente a informação de magnitude ordinal.

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.