Questão nº 78
Questão de Tecnologia da Informação · FGV TCE-SP 2023 (nº 78)
FGV2023Agente da Fiscalização - TITecnologia da Informação
Gabarito: Bver comentário ↓
João precisa criar um modelo interpretável de previsão de cancelamento de serviços com base em dados de cliente, demográficos e de tipo de serviço. Para tanto, João deve considerar que o problema é tabular, com vários atributos e regras de escolha complexas.
No contexto de técnicas de classificação, o tipo de algoritmo que João deverá utilizar é:
- Anaive bayes;
- Bárvore de decisão; (alternativa correta)
- Ck-vizinhos mais próximos;
- Drede neural convolucional;
- Emáquina de vetores de suporte.
Resposta comentada
Gabarito Alternativa B
Modelos interpretáveis são aqueles cujas decisões podem ser facilmente entendidas por humanos, e as Árvores de Decisão fazem isso criando um conjunto de regras claras e visuais para classificar os dados.
- (A) Incorreta: Embora seja interpretável (baseado em probabilidades), o Naive Bayes assume independência entre os atributos, o que raramente é verdade na prática e limita sua capacidade de capturar regras de escolha complexas e interações entre variáveis.
- (B) Correta: As Árvores de Decisão são inerentemente interpretáveis, pois representam o processo de tomada de decisão como um fluxograma de regras "se-então". Isso permite a João visualizar e entender exatamente por que um cliente foi classificado como propenso a cancelar, lidando bem com dados tabulares e regras complexas.
- (C) Incorreta: O K-Vizinhos Mais Próximos (KNN) é um algoritmo baseado em instância que classifica um ponto de dados com base na maioria de seus vizinhos mais próximos. Ele não gera regras explícitas e sua interpretabilidade é muito baixa, pois não explica a lógica por trás da classificação.
- (D) Incorreta: Redes Neurais Convolucionais (CNNs) são mais adequadas para dados de imagem ou sequência e são conhecidas por serem "caixas pretas", com baixíssima interpretabilidade. Seriam um exagero e ineficazes para dados tabulares com foco em regras interpretáveis.
- (E) Incorreta: Máquinas de Vetores de Suporte (SVMs) são eficazes para classificação, mas sua interpretabilidade é limitada. Elas definem um hiperplano para separar as classes, mas não fornecem regras explícitas ou uma compreensão fácil de como as decisões são tomadas, especialmente com o uso de kernels complexos.
Fonte: FGV TCE-SP 2023 Agente da Fiscalização - TI (Caderno Tipo 1). Reproduzida para fins de estudo.