Considere um modelo Random Forest utilizado para classificar estudantes segundo determinada condição de interesse. A respeito dos fundamentos teóricos do algoritmo, analise as afirmativas seguintes.

I. No Bagging, cada árvore é construída por meio de amostra aleatória com reposição, considerando os dados de treinamento. Para cada árvore, a amostra tem tamanho igual à da base original, embora nem todas as observações originais  estejam necessariamente representadas em cada árvore.

II. O uso de Feature Randomness busca aumentar a diversidade entre as árvores, restringindo aleatoriamente o conjunto de variáveis candidatas. Essa estratégia pode reduzir a correlação entre as árvores e contribuir para melhorar a capacidade de generalização da floresta.

III. Como o erro de generalização do Random Forest converge à medida que o número de árvores aumenta, a inclusão sucessiva de árvores garante que esse erro se aproxime de zero, desde que seja utilizado um número suficientemente grande de estimadores.

IV. Em problemas de classificação, Entropia e Impureza de Gini podem ser utilizadas como critérios para avaliar divisões (splits). Em problemas de regressão, MSE e MAE podem ser utilizados, sendo o MAE relativamente mais sensível a erros de grande magnitude.

Considerando exclusivamente os princípios apresentados sobre Random Forest, estão CORRETAS: