Questão de Tecnologia da Informação · CEBRASPE TCE MS 2025 SERVIDOR (nº 47)

Conceito-chave: O Support Vector Machine (SVM) é um algoritmo que desenha uma "fronteira" (hiperplano) entre grupos de dados, mas não qualquer fronteira: ele escolhe a que fica o mais longe possível dos pontos mais próximos de cada grupo (a margem máxima). Isso o torna muito robusto para separar classes em espaços com muitas dimensões (muitas características).

• (A) Correta: É exatamente a definição da support vector machine (SVM): ela constrói hiperplanos de separação com margem máxima em espaços de alta dimensão, usando vetores de suporte (os pontos mais próximos da fronteira).
• (B) Incorreta: Random forest é um conjunto de várias árvores de decisão que "votam" no resultado; não constrói hiperplanos, e sim divisões binárias baseadas em valores de atributos.
• (C) Incorreta: K-nearest neighbors (KNN) classifica um ponto olhando a "vizinhança" (os K pontos mais próximos) e votando pela classe majoritária; não há construção de fronteira alguma.
• (D) Incorreta: Naive Bayes usa o Teorema de Bayes para calcular a probabilidade de uma classe dado os atributos, assumindo independência entre eles; não trabalha com geometria de hiperplanos.
• (E) Incorreta: Decision tree divide o espaço com regras "se-então" (ex.: se idade > 30, vai para o nó da direita), criando regiões retangulares, não hiperplanos de margem máxima.

Armadilha da banca (no distrator mais tentador): A letra E (decision tree) pode parecer plausível porque também "separa classes", mas a pegadinha está no termo "hiperplanos de separação" e "maximizar a margem" — isso é exclusivo da SVM. Árvores de decisão criam divisões ortogonais (retas paralelas aos eixos), nunca hiperplanos oblíquos com margem otimizada. Se a questão falar em "margem máxima" ou "vetores de suporte", a resposta é sempre SVM.