Questão nº 41
Questão de Ciência de Dados · FGV CGU 2021 - Tarde (nº 41)
Dois colegas de um time de ciência de dados discutem o novo projeto do time: avaliar um grupo de unidades de negócio e tentar, através de algumas características compartilhadas, separá-las em grupos. O objetivo é migrar de um cenário em que são elaborados contratos individuais para um cenário em que possam ser elaborados contratos por grupo.
Alice acha que deve ser usado um método supervisionado. Ela escolhe o K-means Clustering e propõe ajustar os hiperparâmetros C e sigma para alcançar um resultado adequado.
Bob prefere métodos não supervisionados, já que a base de dados não possui rótulos, e está em dúvida entre utilizar Naive Bayes (em razão de a base de dados ser pequena) ou Decision Trees (por talvez ser necessário ter um modelo explicável).
Analisando as posições de Alice e Bob sobre esse projeto, pode-se afirmar que:
- AAlice e Bob estão corretos. Entretanto, não é possível realizar uma análise prévia dos algoritmos – avaliam-se apenas modelos e suas métricas de desempenho;
- BAlice e Bob estão errados. K-means Clustering é um método não supervisionado e não possui os parâmetros C e sigma. Naive Bayes e Decision Trees são métodos supervisionados; (alternativa correta)
- CAlice está correta, mas a sugestão de Bob de utilizar Naive Bayes é fraca, pois esse algoritmo não apresenta bom desempenho com pequenos conjuntos de dados;
- DBob está correto e Alice está errada. K-means Clustering é um algoritmo não supervisionado;
- EBob está errado e Alice está correta. Modelos baseados em Decision Trees não são explicáveis.
Resposta comentada
Gabarito Alternativa B
Conceito-chave: A diferença central entre supervisionado e não supervisionado está nos rótulos: no supervisionado, o modelo aprende com exemplos rotulados (respostas conhecidas); no não supervisionado, o modelo encontra padrões em dados sem rótulos. Além disso, cada algoritmo tem seus próprios hiperparâmetros — não se pode "transferir" parâmetros de um método para outro.
- (A) Incorreta: A afirmação de que "não é possível análise prévia" é falsa — sempre se avalia a adequação teórica do algoritmo ao problema (presença/ausência de rótulos, tamanho da amostra, explicabilidade) antes de rodar; além disso, Alice e Bob estão errados, como veremos em (B).
- (B) Correta: Alice erra porque K-means é não supervisionado (não usa rótulos) e seus hiperparâmetros são K (número de clusters) e inicialização, não C e sigma (que são do SVM). Bob erra porque Naive Bayes e Decision Trees são supervisionados (exigem variável-alvo rotulada), e o problema não tem rótulos.
- (C) Incorreta: Alice está errada (K-means não é supervisionado), e Naive Bayes funciona bem justamente com pequenos conjuntos de dados — a justificativa da alternativa é invertida.
- (D) Incorreta: Bob está errado (ele sugeriu métodos supervisionados), e Alice também está errada — K-means é não supervisionado, mas ela o classificou como supervisionado.
- (E) Incorreta: Bob está errado, mas Alice também está errada; e Decision Trees são altamente explicáveis (regras "se-então" visíveis), o oposto do que a alternativa afirma.
Armadilha do distrator mais tentador (D): A banca tenta fisgar quem sabe que K-means é não supervisionado, mas esquece de verificar que Bob não escolheu um método não supervisionado — ele citou Naive Bayes e Decision Trees, que são supervisionados. A pegadinha está em assumir que "Bob prefere não supervisionados" automaticamente significa que os algoritmos que ele citou são não supervisionados, o que é falso.
Fonte: FGV CGU 2021 - Tarde Auditor Federal de Finanças e Controle - Área Tecnologia da Informação (Caderno Tipo 1). Reproduzida para fins de estudo.