Questão de Tecnologia da Informação · FGV TCE-PA 2024 (nº 64)

Agrupamento (Clustering) é uma técnica de aprendizado de máquina que organiza dados semelhantes em grupos, chamados clusters, sem que você precise dizer ao algoritmo como esses grupos devem ser formados. O K-means é um algoritmo que divide os dados em um número pré-definido de grupos (k), encontrando o "centro" de cada grupo (o centróide) e atribuindo cada ponto ao centróide mais próximo. O DBSCAN (Density-Based Spatial Clustering of Applications with Noise) é um algoritmo que encontra grupos de dados baseando-se na densidade de pontos, ou seja, ele agrupa pontos que estão próximos uns dos outros em regiões densas e marca pontos isolados como "ruído" (outliers).

Analisando cada afirmação:

1. ( ) Precisa da definição de um número inicial de agrupamentos. Esta é uma característica do K-means (1), que exige que o usuário especifique o número k de clusters desejados. O DBSCAN não precisa dessa informação.
2. ( ) Mais robusto à ocorrência de outliers, por sua provável localização em regiões de baixa densidade de dados. Esta é uma característica do DBSCAN (2). O DBSCAN é capaz de identificar pontos de baixa densidade como "ruído" ou outliers, sem incluí-los em nenhum cluster. O K-means, por outro lado, é sensível a outliers, pois eles podem distorcer a posição dos centróides.
3. ( ) Precisa da definição do número mínimo de vizinhos e do raio da vizinhança para determinar limites dos agrupamentos. Estes são os parâmetros fundamentais do DBSCAN (2): minPts (número mínimo de vizinhos) e epsilon (raio da vizinhança).
4. ( ) Determina centróides dos agrupamentos e agrupa as instâncias de dados em função de uma métrica de distância entre as instâncias e os centróides. Esta é a operação central do K-means (1), que funciona de forma iterativa calculando centróides e atribuindo pontos a eles com base na distância.

A sequência correta é, portanto, 1 – 2 – 2 – 1.

(A) Incorreta: A sequência 2 – 1 – 2 – 1 está errada porque o DBSCAN (2) não precisa de um número inicial de agrupamentos, e o K-means (1) não é robusto a outliers.
(B) Incorreta: A sequência 1 – 1 – 2 – 1 está errada porque o K-means (1) não é mais robusto a outliers; na verdade, ele é bastante sensível a eles. (Armadilha da banca) Este é um distrator comum, pois muitos estudantes podem superestimar a robustez do K-means ou confundir sua popularidade com uma capacidade de lidar bem com todas as situações, incluindo outliers. É crucial lembrar que outliers podem puxar os centróides do K-means, distorcendo os clusters.
(C) Incorreta: A sequência 2 – 1 – 1 – 2 está errada em várias posições, como atribuir a necessidade de número inicial de agrupamentos ao DBSCAN (2) e a robustez a outliers ao K-means (1).
(D) Incorreta: A sequência 2 – 1 – 1 – 1 está errada porque o DBSCAN (2) não precisa de um número inicial de agrupamentos, e o K-means (1) não é robusto a outliers. Além disso, os parâmetros de vizinhança são do DBSCAN, não do K-means.
(E) Correta: A sequência 1 – 2 – 2 – 1 corresponde perfeitamente às características de cada algoritmo: K-means precisa de k; DBSCAN é robusto a outliers; DBSCAN usa vizinhança e número mínimo de vizinhos; K-means usa centróides e métrica de distância.