Questão de Tecnologia da Informação · FGV CGE-SP 2025 (nº 92)

Clustering (Agrupamento) é uma técnica de Aprendizado de Máquina Não Supervisionado que organiza dados em grupos (chamados clusters) onde os itens dentro de um grupo são mais parecidos entre si do que com os itens de outros grupos. Redução de Dimensionalidade é o processo de diminuir o número de características (variáveis) em um dataset, mantendo a maior parte da informação relevante, para simplificar o modelo, acelerar o processamento e evitar a "maldição da dimensionalidade".

(A) Incorreta: A afirmativa I está correta, mas a afirmativa II também está correta, tornando esta opção incompleta.
(B) Correta:

• I. O algoritmo DBSCAN é mais adequado que o K-Means para datasets com clusters de formato não convexo e tem a vantagem de ser robusto a ruídos e outliers. Correto. O DBSCAN (Density-Based Spatial Clustering of Applications with Noise) identifica clusters baseados na densidade dos pontos, permitindo encontrar formas arbitrárias e naturalmente isolar pontos de ruído ou outliers (pontos que não pertencem a nenhuma região densa). O K-Means, por outro lado, assume clusters esféricos e é sensível a outliers.
• II. O algoritmo K-Means exige que o número de clusters (K) seja definido previamente e é sensível à escala das variáveis de entrada e à presença de outliers. Correto. A necessidade de pré-definir K é uma das principais limitações do K-Means. Além disso, como ele calcula distâncias euclidianas, variáveis com escalas maiores dominam o cálculo, e outliers podem distorcer significativamente a posição dos centróides, afetando a formação dos clusters.
  (C) Incorreta: A afirmativa III está incorreta.
  (D) Incorreta: A afirmativa III está incorreta.
  (E) Incorreta: A afirmativa III está incorreta.

Armadilha na afirmativa III:
III. A Análise de Componentes Principais (PCA) é uma técnica não supervisionada que é utilizada para redução de dimensionalidade, e deve ser aplicada antes de qualquer etapa de scaling dos dados para preservar a variância. Incorreto. A PCA é, de fato, uma técnica não supervisionada para redução de dimensionalidade. No entanto, ela deve ser aplicada depois do scaling (padronização ou normalização) dos dados. A PCA é sensível à escala das variáveis: se uma variável tem uma escala muito maior que as outras, ela terá uma variância maior e dominará os primeiros componentes principais, mesmo que não seja a mais informativa. O scaling garante que todas as variáveis contribuam igualmente para a análise de variância da PCA, evitando que a unidade de medida influencie o resultado. A ideia de "preservar a variância" é a armadilha; o scaling não "destrói" a variância, mas a ajusta para que todas as variáveis estejam em uma escala comparável, permitindo que a PCA identifique as direções de maior variância intrínseca aos dados, e não apenas as que têm maior escala.