Questão de Ciência de Dados · FGV BBTS 2023 (nº 50)

A Análise de Componentes Principais (PCA) é uma técnica para reduzir a dimensionalidade de dados, e a versão incremental (IncrementalPCA) permite processar grandes conjuntos de dados em partes, sem precisar carregar tudo na memória de uma só vez.

(A) Incorreta: O módulo `sklearn.position` não existe na biblioteca scikit-learn. Além disso, o nome da classe `PCAIncrement` não é o utilizado para PCA incremental.
(B) Incorreta: O módulo `sklearn.composition` existe, mas é usado para combinar estimadores (como `Pipeline`), e não para algoritmos de decomposição como o PCA. O nome da classe `PCAIncrement` também está incorreto. Armadilha da banca: Esta alternativa é tentadora porque `sklearn.composition` é um módulo real, o que pode levar o aluno a pensar que a classe poderia estar lá, mesmo que o nome da classe esteja errado.
(C) Incorreta: O módulo `sklearn.recomposition` não existe na biblioteca scikit-learn. O nome da classe `PCAIncrement` também não é o correto.
(D) Correta: Esta é a classe correta. `sklearn.decomposition` é o módulo onde estão as técnicas de decomposição de dados, incluindo o PCA. `IncrementalPCA` é o nome exato da classe para a implementação de análises incrementais de componentes principais no scikit-learn.
(E) Incorreta: O módulo `sklearn.recomposition` não existe na biblioteca scikit-learn. O nome da classe `IncrementingPCA` também não é o utilizado.