Questão 2789782

• Banca: ESAF
• Órgão: Receita Federal
• Ano: 2014
• Provas: ESAF - 2014 - Receita Federal - Assistente Técnico Administrativo
• Disciplina: Banco de Dados
• Assuntos: Data Mining

Em Datamining, redução da dimensionalidade é:

• A. A expressão de um conjunto de dados por um conjunto menor de características do que em sua forma original.
• B. A redução dos espaços de variação dos dados em relação a seus espaços originais.
• C. A supressão de características consideradas de menor prioridade pelo gestor.
• D. A expressão de um conjunto de dados por um conjunto de características de dimensionalidade conhecida.
• E. A expressão de um conjunto de características por um outro conjunto de características de dimensionalidade invariante em relação à sua forma original.

Gabarito: A

Comentários

• A redução de dimensionalidade é uma das mais importantes formas de regressão, pois permite eliminar subconjuntos de atributos – dos processos de análise subsequentes – do conjunto original de atributos, muitas vezes de alta dimensão, que descrevem os objetos do banco de dados [Hair et al., 1995]. O grande número de dimensões dos conjuntos de dados aumenta a complexidade das técnicas de manipulação e degrada o desempenho dos algoritmos de mineração de dados. Para diminuir esses efeitos, as técnicas de redução de dimensionalidade têm por objetivo representar um conjunto de dados de dimensão E em outro espaço de dimensão menor que E, procurando manter as características do conjunto.

  Fonte: http://ic.ufabc.edu.br/II_SIC_UFABC/resumos/paper_5_151.pdf

• Gabarito A.

  A expressão de um conjunto de dados por um conjunto menor de características do que em sua forma original.

• Técnicas de Pré-Processamento

  Agregação: Combina dois ou mais atributos (ou objetos) em um único atributo (ou objeto) com a finalidade de reduzir o número de atributos ou objetos, alterar escalas e tornar os dados mais estáveis.

  Amostragem: O princípio básico é: usar uma amostra funciona tão bem quanto usar o conjunto completo de dados, se a amostra for representativa. Ela é representativa se tiver aproximadamente as mesmas propriedades de interesse do conjunto inicial.

  Redução de Dimensionalidade: Essa técnica reduz a quantidade de tempo e memória necessárias pelos algoritmos de mineração de dados, permitindo que os dados sejam mais facilmente visualizados e ajudando a eliminar características irrelevantes.

  Seleção de Subconjuntos de Recursos: Trata-se de outra forma de reduzir a dimensionalidade dos dados, buscando eliminar características redundantes ou irrelevantes por meio de diversas abordagens diferentes.

  Criação de Recursos: Essa técnica busca criar novos atributos que podem capturar informação importante em um conjunto de dados muito mais eficientemente que os atributos originais.

  Binarização e Discretização: Técnica que busca transformar dados para um formato de atributos binários ou discretos.

  Transformação de Variáveis: Essa técnica busca melhorar a eficiência de algoritmos de classificação envolvendo redes neurais e auxiliar técnicas estatísticas que se baseiam na suposição da normalidade dos dados.

• A redução de dimensionalidade consiste em adotar uma quantidade menor de características (features) do que a forma original, porém preservando as propriedades gerais do conjunto original.

  Assim, podemos melhorar o desempenho do modelo de aprendizado.