Question

17

Uma equipe de ciência de dados da Assembleia Legislativa desenvolveu um sistema para estimar a probabilidade de aprovação de proposições legislativas utilizando informações históricas sobre autoria, tramitação, participação em comissões, tema da matéria, regime de tramitação e padrões de votação observados em legislaturas anteriores. Durante a fase de avaliação, verificou-se que um modelo baseado em Random Forest apresentava bom desempenho preditivo. Entretanto, testes adicionais indicaram que um algoritmo de boosting poderia produzir resultados superiores ao corrigir iterativamente erros cometidos por modelos anteriores, especialmente em bases complexas e com relações não lineares entre variáveis. Assinale a alternativa que apresenta uma característica tecnicamente associada ao algoritmo XGBoost.

Accepted Answer

C) O XGBoost implementa uma estratégia de boosting na qual novos modelos são treinados para reduzir erros residuais dos modelos anteriores, incorporando mecanismos de regularização e otimização computacional.

Answer

A) O XGBoost constrói múltiplas árvores independentes em paralelo, combinando posteriormente suas previsões por meio de votação majoritária sem qualquer mecanismo de correção sequencial.

Answer

B) O XGBoost baseia-se exclusivamente em regressão linear regularizada, utilizando árvores de decisão apenas para fins de interpretação dos resultados produzidos.

Answer

D) O XGBoost substitui completamente a utilização de árvores de decisão por técnicas de agrupamento hierárquico aplicadas sobre subconjuntos aleatórios dos dados.

Answer

E) O XGBoost opera exclusivamente em problemas de regressão, não sendo aplicável a tarefas de classificação supervisionada envolvendo múltiplas variáveis explicativas.

Mais questões de Data warehouse e mineração de dados