Questão de Inteligência Artificial · FGV SEFAZ-AM 2022 - Prova II (nº 41)

O algoritmo KNN (K-nearest neighbors) funciona encontrando os K pontos de dados mais próximos a um novo ponto e usando os rótulos desses vizinhos para fazer uma previsão ou classificação. Ele precisa de dados de treinamento que já tenham as respostas corretas (rótulos) para aprender.

(A) Incorreta: Aprendizado por reforço envolve um agente que aprende a tomar decisões em um ambiente através de tentativa e erro, recebendo recompensas ou punições, o que é diferente do funcionamento do KNN.
(B) Incorreta: Aprendizado não supervisionado lida com dados sem rótulos, buscando padrões ou estruturas ocultas (como agrupamento ou redução de dimensionalidade). O KNN requer dados rotulados para determinar a classe ou valor de seus vizinhos, o que o desqualifica como não supervisionado. A armadilha aqui é que, por ser um algoritmo "preguiçoso" (lazy learner) que não constrói um modelo explícito durante o treinamento, alguns podem confundi-lo com algoritmos que não usam rótulos, mas a necessidade de rótulos para a predição é fundamental.
(C) Correta: O KNN é um algoritmo de aprendizado supervisionado porque ele aprende a mapear entradas para saídas (classificação ou regressão) a partir de um conjunto de dados de treinamento que já contém pares de entrada e saída rotulados.
(D) Incorreta: Redução de dimensionalidade é o processo de diminuir o número de variáveis ou características em um conjunto de dados, enquanto o KNN é um algoritmo de classificação ou regressão.
(E) Incorreta: Modelos paramétricos assumem uma forma funcional específica para a relação entre os dados e aprendem um conjunto fixo de parâmetros (ex: regressão linear com coeficientes). O KNN é um modelo não-paramétrico, pois não faz suposições sobre a distribuição dos dados e não aprende parâmetros fixos, baseando-se na proximidade dos pontos de dados.