Questão de Ciência de Dados · FGV CVM 2024 (nº 19)

Para preparar dados para modelos de Machine Learning, especialmente redes neurais, é crucial transformar todas as informações em números. Variáveis categóricas (que representam categorias, como 'cores' ou 'estados') precisam ser codificadas de forma que o modelo possa entendê-las sem criar relações falsas (vieses) ou perder a ordem natural (informação ordinal) quando ela existe.

(A) Incorreta: Esta alternativa resultaria de codificar todas as variáveis categóricas (escolaridade, estado, local de trabalho) com um único valor numérico (e.g., Label Encoding), o que introduziria um viés nos dados ao criar uma ordem artificial para atributos nominais como "estado" e "local de trabalho", além de não ser a representação mínima sem perda de informação para os nominais. Armadilha da banca: A pegadinha aqui é a tentação de usar a codificação mais simples (Label Encoding) para todas as categorias, o que é errado para variáveis nominais e não atende à condição de "não inserção de vieses".
(B) Incorreta: O valor é muito baixo, não contemplando a codificação adequada das variáveis nominais.
(C) Incorreta: O valor é muito baixo, não contemplando a codificação adequada das variáveis nominais.
(D) Correta: A idade é uma variável numérica e pode ser normalizada para 1 valor. A escolaridade é ordinal (fundamental < médio < superior < pós-graduação) e pode ser codificada para 1 valor (e.g., 0, 1, 2, 3) e normalizada, preservando a ordem. O estado de residência (27 categorias: 26 estados + DF) e o local de trabalho (3 categorias: empresa, home office, misto) são nominais e devem ser codificados usando One-Hot Encoding para evitar vieses, resultando em 27 valores e 3 valores, respectivamente. Total: 1 (idade) + 1 (escolaridade) + 27 (estado) + 3 (local de trabalho) = 32 valores.
(E) Incorreta: O valor é muito alto, indicando uma possível superestimação na codificação de alguma variável.