Question

No âmbito do pré-processamento e da engenharia de características (feature engineering) em Ciência de Dados, a transformação de escala de atributos numéricos contínuos é um passo fundamental que antecede o treinamento de diversos algoritmos de aprendizado de máquina. Dependendo do método escolhido — como a padronização Z-score ou a normalização linear Min-Max —, as propriedades estatísticas originais do conjunto de dados, como a média, a variância e a sensibilidade a valores discrepantes (outliers), sofrem alterações estruturais específicas. Considerando os fundamentos matemáticos e teóricos dessas técnicas de transformação de escala, assinale a alternativa correta.

Accepted Answer

A) A padronização Z-score reescala os dados para que possuam média zero e variância unitária, preservando a assimetria e a presença relativa de outliers da distribuição original, embora mude os limites estritos mínimos e máximos absolutos do atributo.

Answer

B) A normalização Min-Max comprime linearmente os dados em um intervalo fixo predefinido, alterando a distância proporcional relativa entre os pontos amostrais observados e tornando o estimador imune ao impacto de novos valores extremos.

Answer

C) A padronização Z-score assume a premissa de distribuição estritamente uniforme e converte qualquer formato de densidade original em uma curva normal perfeita, eliminando distorções causadas por distribuições multimodais ou esparsas.

Answer

D) A normalização Min-Max preserva a variância populacional e a média originais do atributo numérico, limitando-se a transladar a origem geométrica do vetor de características sem alterar a magnitude dos desvios-padrão associados.

Answer

E) A padronização baseada no estimador robusto (Robust Scaler), que utiliza o desvio padrão e a média global, impede que a matriz de covariância sofra transformações lineares, sendo recomendada para conjuntos de dados de alta dimensionalidade.

Mais questões de Aprendizado de máquina