Considere as seguintes afirmativas sobre algoritmos e técnicas utilizadas em aprendizado não supervisionado, especialmente no contexto de clusterização:
I. K-Means, DBSCAN e Gaussian Mixture Models (GMM) são métodos amplamente empregados para tarefas de clusterização, embora se baseiem em pressupostos estatísticos e geométricos distintos.
II. DBSCAN e Mean-Shift são algoritmos que não exigem a definição prévia do número de clusters, pois os identificam implicitamente, a partir da densidade dos dados ou da estimação de modos da distribuição.
III. Critérios de informação como Akaike Information Criterion (AIC) e Bayesian Information Criterion (BIC), bem como heurísticas como o método do Elbow, são utilizados como técnicas auxiliares para apoiar a escolha do número adequado de clusters em determinados algoritmos.
É (são) verdadeira(s) a(s) alternativa(s): 

Em um problema de classificação binária, considere os seguintes contadores da matriz de confusão: VP (Verdadeiros Positivos), FP (Falsos Positivos), FN (Falsos Negativos) e VN (Verdadeiros Negativos).
A alternativa que apresenta, respectivamente, as fórmulas corretas de Precisão e Recall é  

Considere um cenário em que se deseja prever o valor de imóveis a partir de características como área, localização e número de quartos, utilizando um conjunto de dados históricos contendo o valor de venda de cada imóvel. Nesse caso, o problema e o tipo de modelo mais adequados são, respectivamente:

Considere um conjunto de dados multidimensional, desprovido de rótulos, no qual se observam agrupamentos com densidades distintas, geometrias não convexas e a presença relevante de ruído. Diante desse cenário, um analista compara diferentes técnicas de agrupamento, levando em conta seus pressupostos teóricos, os critérios adotados para formação dos grupos e suas limitações intrínsecas. Diante dessas características, a técnica de agrupamento que melhor modela o cenário descrito é 

Considere a matriz de confusão abaixo, obtida a partir da avaliação de um classificador binário, em que a classe Positiva é a classe de interesse:

                                                    

Com base nesses dados, tem-se que