FácilMúltipla escolha

Questão de prática de AI-900

Uma empresa varejista possui dados históricos sobre os clientes, incluindo idade, histórico de compras e se eles cancelaram o serviço ou não (sim/não). Eles querem treinar um modelo que preveja se um novo cliente cancelará. Qual tipo de machine learning eles devem usar?

Escolha a melhor resposta.

Resposta correta

  • BClassificação supervisionada

Explicação

O objetivo é prever um resultado categórico (cancelamento: sim/não) a partir de dados históricos rotulados. Os algoritmos de classificação supervisionada, como regressão logística ou árvores de decisão, aprendem com as características de entrada (idade, histórico de compras) e o rótulo de destino (status de cancelamento) para atribuir novos clientes a uma das classes discretas. Isso corresponde diretamente ao requisito de um modelo de classificação binária.

Por que cada alternativa está certa ou errada

A

Incorreta

Regressão supervisionada

A regressão prediz um valor numérico contínuo, enquanto o cancelamento é um rótulo binário sim/não. Seria correta para prever gastos ou valor do tempo de vida do cliente, mas a classificação é necessária para atribuir os clientes às categorias de cancelados ou mantidos.

B

Correta

Classificação supervisionada

O rótulo de cancelamento é binário (sim/não) e os registros históricos já contêm resultados conhecidos, de modo que o modelo aprende um mapeamento de características como idade e histórico de compras para esse rótulo. Isso é classificação supervisionada, não agrupamento ou regressão.

C

Incorreta

Agrupamento não supervisionado

O agrupamento agrupa dados não rotulados por similaridade e descobre estrutura sem classes pré-definidas. O conjunto de dados já contém rótulos de cancelamento conhecidos, portanto, um algoritmo de classificação supervisionada é necessário; o agrupamento seria adequado para segmentar clientes quando nenhum campo de resultado existe.

D

Incorreta

Aprendizado por reforço

O aprendizado por reforço aprende com sinais de recompensa por meio de interação de tentativa e erro, e não a partir de registros históricos de cancelamento rotulados. Ele se adapta a problemas de decisão sequencial, como robótica ou jogos, onde um agente otimiza ações ao longo do tempo em vez de classificar exemplos existentes.

Para se aprofundar

A previsão de cancelamento mapeia características de entrada, como idade e histórico de compras, para um rótulo discreto, cancelado ou não, sendo, portanto, uma tarefa de classificação binária. Nos bastidores, algoritmos como regressão logística ou árvores impulsionadas por gradiente aprendem um limite de decisão minimizando uma perda, como a entropia cruzada binária, e aplicam um limite a uma saída de probabilidade. Uma sutileza que vale a pena saber: a pontuação bruta é uma probabilidade, e mover esse limite troca precisão por revocação, o que importa quando falsos negativos (clientes cancelados não detectados) custam mais do que falsos positivos. O desbalanceamento de classes é comum porque poucos clientes cancelam, portanto, técnicas como ponderação de classes ou reamostragem são usadas. Na prática, um varejista pontua cada cliente ativo todas as noites e direciona aqueles com alta probabilidade para ofertas de retenção, monitorando métricas como AUC em vez de apenas a acurácia.

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.