No que se refere a processamento de linguagem natural, árvores de decisão e Python, julgue o item que se segue. 

Considere que um algoritmo de árvore de decisão utilize entropia como medida de impureza para realizar as divisões dos dados em diferentes nós da árvore. Considere ainda que a entropia seja máxima quando a distribuição das classes é perfeitamente equilibrada e mínima quando todos os exemplos pertencem a uma única classe. Nesse caso, em uma partição contendo 100 exemplos classificados em três categorias A, B e C, a entropia da partição é maior no cenário em que há 33 exemplos de cada classe do que no cenário em que há 90 exemplos da classe A, 5 da classe B e 5 da classe C, mesmo que o número total de exemplos na partição seja o mesmo em ambos os casos.  

No que se refere a processamento de linguagem natural, árvores de decisão e Python, julgue o item que se segue. 

dados = [3, 7, 0, -1, 7] resultado = {} for i in range(len(dados)):  if dados[i] > 0:    chave = f”v_{i}”    if dados[i] not in resultado.values():         resultado[chave] = dados[i]  else:         resultado[chave] = -dados[i]  elif dados[i] == 0:     continue  else:     resultado[f”neg_{i}”] = abs(dados[i]) print(resultado)
A execução do código Python precedente resulta no trecho a seguir.
{'v_0': 3, 'v_1': 7, 'v_3': -1}