-
A respeito de inteligência artificial, julgue o item seguinte.
Uma das vantagens da técnica de árvore de decisão para regressão é evitar a propagação de erros, mesmo que uma divisão ocorra indevidamente.
Uma árvore de decisão é, de forma resumida, um mapa em que serão apresentados os possíveis resultados de uma série de escolhas relacionadas.
Em uma árvore de decisões temos uma dependência muito forte dos dados utilizados no treinamento. E devido a essa dependência qualquer mudança, por mínima que seja, pode modificar toda a estrutura da árvore.
A vantagem de utilizar uma árvore de decisão está no fato de podermos utilizar dados não numéricos e pouca preparação dos dados.
Seguindo um pouco mais, uma árvore de decisão pode ser utilizada tanto para classificação quando para regressão. No primeiro caso, é atribuído um rótulo a uma amostra com base em seus atributos. Já no segundo caso, a tentativa é de prever um valor contínuo.
Independentemente de ser escolhida uma árvore para classificação ou para regrassão não é possível evitar os erros, a ideia é ter o mínimo de erros possíveis, agora evitar é praticamente impossível.
O fato de ter ocorrido uma divisão indevida se dá pelo de alguma forma entrar algum valor na árvore.
O item é, portanto, incorreto.
Gabarito: Errado
Referência: Harrison, Matt. Machine Learning - Guia de Referência Rápida
Professor Heitor Pasti - tec concursos
-
As divisões das observações nas várias classes em uma árvore de decisão ocorre se percorrendo a árvore de cima para baixo. Primeiro fazemos a “pergunta” em relação ao valor da variável presente na raiz e seguimos pelo ramo correspondente. Assim, vamos percorrendo as demais divisões da árvore de acordo com os valores de cada variável, até chegarmos a uma folha.
Se uma dessas divisões é imprecisa, não temos como voltar atrás, então o erro é propagado para os passos seguintes e a classificação certamente será incorreta. Logo, não se evita a propagação, e essa não é uma vantagem das árvores de decisão, mas sim uma desvantagem!
-
As divisões das observações nas várias classes em uma árvore de decisão ocorre se percorrendo a árvore de cima para baixo. Primeiro fazemos a “pergunta” em relação ao valor da variável presente na raiz e seguimos pelo ramo correspondente. Assim, vamos percorrendo as demais divisões da árvore de acordo com os valores de cada variável, até chegarmos a uma folha.
Se uma dessas divisões é imprecisa, não temos como voltar atrás, então o erro é propagado para os passos seguintes e a classificação certamente será incorreta. Logo, não se evita a propagação, e essa não é uma vantagem das árvores de decisão, mas sim uma desvantagem!
-
apenas o resumo copiado do colega acima.
Independentemente de ser escolhida uma árvore para classificação ou para regrassão não é possível evitar os erros, a ideia é ter o mínimo de erros possíveis, agora evitar é praticamente impossível.
-
Depois dessa aula do arthur só lembrei daquele joguinho akinator para exemplificar a analise preditiva. Quem já não encontrou uma situação que o akinator começa bater a cabeça e insistir em uma certa resposta? Era o overfitting, o genio aprendeu tanto a responder uma pergunta que não quer dar o braço a torcer.
-
Como o Akinator funciona?
O Akinator funciona através de um algoritmo muito bem estruturado que conta com um banco de dados formado a partir de perguntas de eliminação, que nada mais são que as famosas probabilidades. Assim, conforme o jogador vai respondendo às questões do gênio, possibilidades são eliminadas até que reste apenas uma.
Existem diversas teorias a respeito da funcionalidade do Akinator, mas uma em especial chama bastante atenção: ela é baseada uma técnica chamada de "Árvore da Decisão", um recurso que classifica um objeto com base em respostas a várias perguntas objetivas.
Fonte: Yahoo