Assinale a opção em que é apresentado exemplo no qual o uso ...

A alternativa correta é a Alternativa A.

O Gaussian Naive Bayes é um algoritmo de aprendizado de máquina baseado no teorema de Bayes, que assume que os atributos são distribuídos de forma normal, ou seja, seguem uma distribuição gaussiana. Este algoritmo é particularmente eficaz para classificações em que os atributos são contínuos.

Alternativa A: Classificação de flores com base em características como comprimento e largura das pétalas, onde os atributos são contínuos, é um exemplo ideal para o uso do Gaussian Naive Bayes. A suposição de normalidade dos dados faz com que o algoritmo seja bem apropriado para este tipo de problema, utilizando distribuições contínuas para prever a classe da flor.

Alternativa B: Detecção de fraudes em transações bancárias utilizando apenas indicadores binários não é o cenário mais apropriado para o Gaussian Naive Bayes, pois ele não é otimizado para lidar apenas com dados discretos ou binários. Para este tipo de dados, o Bernoulli Naive Bayes poderia ser mais adequado.

Alternativa C: Classificação de documentos com base na frequência de palavras geralmente não se beneficia da suposição de normalidade dos atributos contínuos. Neste caso, o uso de um modelo como o Multinomial Naive Bayes, que é mais adequado para dados de contagem, seria mais apropriado.

Alternativa D: Análise de sentimentos em redes sociais, onde os dados de entrada são contagens de palavras, também não é o campo onde o Gaussian Naive Bayes se destaca. Assim como na alternativa C, seria mais vantajoso usar o Multinomial Naive Bayes para lidar com esse tipo de dado.

Espero que esta explicação tenha ajudado você a entender melhor como o Gaussian Naive Bayes é aplicado e por que ele é mais apropriado para problemas com atributos contínuos.

Gostou do comentário? Deixe sua avaliação aqui embaixo!

Gabarito A

Quando o assunto é tipos de Naive Bayes, sempre lembrar:

• Gaussiano/Gaussian: características/features/atributos contínuos com distribuição normal;
• Multinominal: características/features/atributos discretos, muito utilizado em problemas com texto;
• Bernoulli: é semelhante ao multinominal, mas as características/features/atributos são binários, normalmente utilizado em problemas para classificação booleanas ou de ausência/presença.

a-

Gaussian Naive Bayes:- features follow a Gaussian (normal) distribution. It is suitable for continuous data. The algorithm calculates the mean and variance of the features for each class and uses these parameters to compute the likelihood of the features given the class.

Multinomial - for discrete data, especially in text classification. for spam detection and sentiment analysis.