Alternativa Correta: E - todas estão corretas.

Vamos analisar as afirmações em relação à seleção de atributos para algoritmos de aprendizado de máquina:

Conceito Central: A questão trata da seleção de atributos, que é uma etapa crucial no pré-processamento de dados para algoritmos de aprendizado de máquina. A seleção adequada de atributos pode melhorar a eficiência e a precisão dos modelos, além de reduzir a complexidade computacional.

Resumo Teórico: Em um conjunto de dados, nem todos os atributos são igualmente importantes. Alguns podem ser irrelevantes, redundantes ou ter pouca variabilidade, contribuindo pouco para os resultados do modelo. O processo de seleção de atributos ajuda a identificar e remover esses atributos, melhorando o desempenho do modelo sem perda significativa de informação. Fontes como "Feature Selection Techniques" em livros de aprendizado de máquina podem ser úteis para aprofundamento.

Justificativa para a Alternativa Correta:

I. Se temos atributos na base de dados que sejam redundantes, irrelevantes ou inúteis, devemos eliminá-los.
Esta afirmação é correta porque atributos redundantes ou irrelevantes podem introduzir ruído e complicar desnecessariamente o modelo. A remoção desses atributos geralmente melhora a precisão e a velocidade de treinamento do modelo.

II. Podemos eliminar atributos que contribuem muito pouco na construção de um modelo, como os que têm um mesmo valor na grande maioria das instâncias.
Esta afirmação é correta pois atributos com pouca variabilidade não fornecem informações úteis para a aprendizagem do modelo, especialmente se não diferenciam as instâncias. A remoção desses atributos ajuda a simplificar o modelo.

III. Os atributos removidos do conjunto de treinamento devem ser também removidos do conjunto de testes.
Esta afirmação é correta porque a consistência entre os conjuntos de treinamento e teste é fundamental. Se um atributo é removido do treinamento, ele também deve ser removido do teste para evitar desajustes que comprometam a avaliação do modelo.

Gostou do comentário? Deixe sua avaliação aqui embaixo!

e-

features/atributos removidos durante fase treino devem ser removidos tb fase teste. o modelo foi treinado com os mesmos atributos que nas fases validação e test p/ mante consistencia