Na técnica de árvore de decisão em data mining, é empregada ...
Não achei a resposta propriamente dita, mas a título de estudo:
Existem inúmeras ramificações de Data Mining, sendo algumas delas:
Redes neurais: são sistemas computacionais baseados numa aproximação à computação baseada em ligações. Nós simples (ou "neurões", "neurônios", "processadores" ou "unidades") são interligados para formar uma rede de nós - daí o termo "rede neural". A inspiração original para esta técnica advém do exame das estruturas do cérebro, em particular do exame de neurônios. Exemplos de ferramentas: SPSS Neural Connection, IBM Neural Network Utility, NeuralWare NeuralWork Predict. Indução de regras: a Indução de Regras, ou Rule Induction, refere-se à detecção de tendências dentro de grupos de dados, ou de “regras” sobre o dado. As regras são, então, apresentadas aos usuários como uma lista “não encomendada”. Exemplos de ferramentas: IDIS da Information Discovey e Knowledge Seeker da Angoss Software. Árvores de decisão: baseiam-se numa análise que trabalha testando automaticamente todos os valores do dado para identificar aqueles que são fortemente associados com os itens de saída selecionados para exame. Os valores que são encontrados com forte associação são os prognósticos chaves ou fatores explicativos, usualmente chamados de regras sobre o dado. Exemplos de ferramentas: Alice d’Isoft, Business Objects BusinessMiner, DataMind. Analise de séries temporais: a estatística é a mais antiga tecnologia em DM, e é parte da fundação básica de todas as outras tecnologias. Ela incorpora um envolvimento muito forte do usuário, exigindo engenheiros experientes, para construir modelos que descrevem o comportamento do dado através dos métodos clássicos de matemática. Interpretar os resultados dos modelos requer “expertise” especializada. O uso de técnicas de estatística também requer um trabalho muito forte de máquinas/engenheiros. A análise de séries temporais é um exemplo disso, apesar de freqüentemente ser confundida como um gênero mais simples de DM chamado “forecasting” (previsão). Exemplos de ferramentas: S+, SAS, SPSS. Visualização: mapeia o dado sendo minerado de acordo com dimensões especificadas. Nenhuma análise é executada pelo programa de DM além de manipulação estatística básica. O usuário, então, interpreta o dado enquanto olha para o monitor. O analista pode pesquisar a ferramenta depois para obter diferentes visões ou outras dimensões. Exemplos de ferramentas: IBM Parallel Visual Explorer, SAS System, Advenced Visual Systems (AVS) Express - Visualization Edition.https://www.devmedia.com.br/conceitos-e-tecnicas-sobre-data-mining/19342
a árvore de decisão em data mining é usada, pois ela facilita a estratificação dos dados. letra c gabarito
estratificar = separar em níveis
2016
Em DataMining, as árvores de decisão podem ser usadas com sistemas de classificação para atribuir informação de tipo.
Certa
Com o uso da classificação
como técnica de Data Mining, busca-se a identificação de
uma classe por meio de múltiplos atributos
. Essa técnica também pode ser usada em conjunto com outras técnicas de mineração de dados.
Certa
2018
No data mining, uma regra de associação relaciona a presença de um conjunto de itens com outra faixa de valores de um outro conjunto de variáveis.
certa
2017
Agrupar registros em grupos, de modo que os registros em um grupo sejam semelhantes entre si e diferentes dos registros em outros grupos é uma maneira de descrever conhecimento descoberto durante processos de mineração de dados.
certa
Estratificação: É um método utilizado para separar (ou estratificar) um conjunto de dados de modo a perceber que existe um padrão. Consiste na divisão de um grupo em diversos subgrupos com base em fatores apropriados os quais são conhecidos como fatores de estratificação.
MAGALHÃES, Ivan Luizio; PINHEIRO, Valfrido brito. Gerenciamento de serviços de TI na prática: uma abordagem com base na ITIL.
Empregos da técnica de Árvore de Decisão:
.: Segmentação;
.: Estratificação;
.: Predição;
.: Redução de dados e filtro de variáveis;
.: Identificação de interações;
.: combinação de categorias e "discretização" de variáveis contínuas.
.
(Barbieri)
.
At.te
Foco na missão ❢
• Na técnica de árvore de decisão em Data Mining, é empregada a abordagem denominada estratificação, permitindo separar os dados levantados em grupos distintos, como por exemplo, estratificação por local, por data, por tipo etc.
Patrícia Lima Quintão
(CESPE 2020) - Estratificação é a abordagem da técnica de árvore de decisão que determina as regras para direcionar cada caso a uma categoria já existente. (C)
Estratificação: Separa dados por extratos, como por exemplo data, local, tipo e etc...
Uma das abordagens empregadas da técnica de árvore de decisão é a estratificação, que determina regras para que se possa designar cada caso a uma dentre várias categorias existentes, como, por exemplo, classificar um cliente tomador de crédito em um grupo de elevado, médio ou baixo risco. A estratificação é uma ferramenta da qualidade que tem por objetivo separar os dados levantados em grupos distintos, como por exemplo, estratificação por local, por data, por turno, por tipo, etc. A estratificação permite analisar os dados separadamente para descobrir onde realmente está a verdadeira causa de um problema.
As árvores de decisão classificam os dados em um número finito de
classes com base nos valores das variáveis de entrada. As árvores de
decisão são essencialmente uma hierarquia de declarações se-então e,
portanto, são significativamente mais rápidas do que as redes neurais. Elas são
mais apropriadas para dados categorizados e intervalos de dados. Portanto,
incorporar variáveis contínuas em uma estrutura de árvore de decisão requer
discretização; ou seja, converter variáveis numéricas de valor contínuo em
intervalos e categorias.
Estratificar significa separar em níveis. Logo, a árvore de decisão auxilia nesse
processo, separando as classes com base nos valores de entrada.
Gabarito: Letra C.
Agregando mais conhecimento aos colegas também...Na arvore de decisão é possível utilizar o algoritimo C4.5 !
Ja caiu em várias questões ;))
Na Arvore de Decisão o atributo mais importante é apresentado como primeiro nó e os atributos menos relevantes são mostrados nos nós subsequentes.
A vantagem da arvore de decisão é a tomada de decisão levando em consideração os atributos mais relevantes, além de ser compreensiveis para a maioria das pessoas.
Na abordagem de estratificação agrupa-se elementos com as mesmas caracteristicas - ou seja - itens iguais ou muito semelhantes tendo causas e soluções em comum !
#ForçaeHonra
Em DataMining, as árvores de decisão podem ser usadas com sistemas de classificação para atribuir informação de tipo. CERTA
===
No data mining, uma regra de associação relaciona a presença de um conjunto de itens com outra faixa de valores de um outro conjunto de variáveis. CERTA
===
Agrupar registros em grupos, de modo que os registros em um grupo sejam semelhantes entre si e diferentes dos registros em outros grupos é uma maneira de descrever conhecimento descoberto durante processos de mineração de dados. CERTO
===
Com o uso da classificação como técnica de Data Mining, busca-se a identificação de uma classe por meio de múltiplos atributos essa técnica também pode ser usada em conjunto com outras técnicas de mineração de dados. CERTA
Na técnica de árvore de decisão em mineração de dados, é empregada a abordagem denominada estratificação. A estratificação envolve a separação dos dados em diferentes níveis ou estratos, com base em características específicas. Essa abordagem permite que a árvore de decisão considere diferentes comportamentos ou padrões em cada estrato, resultando em uma análise mais precisa e eficaz dos dados. Gabarito: C
A alternativa correta é a C - estratificação.
A técnica de árvore de decisão em data mining é uma ferramenta poderosa usada para classificação e previsão. O processo de construção de uma árvore de decisão envolve dividir o conjunto de dados em subconjuntos mais homogêneos baseados em atributos de entrada, o que é conhecido como estratificação. Estas divisões são feitas de forma a maximizar a pureza de cada nó da árvore, buscando que cada subconjunto contenha dados que pertençam principalmente a uma única classe. Isso facilita a tomada de decisões, pois em cada nó da árvore é feita uma pergunta que leva a diferentes respostas e, portanto, a diferentes ramos da árvore.
O conhecimento necessário para resolver essa questão envolve compreender o que é uma árvore de decisão e o processo de dividir o conjunto de dados em subconjuntos mais puros. Cada decisão tomada na árvore corresponde a um critério de divisão, que pode ser baseado em diferentes técnicas de estratificação, como o ganho de informação, a razão de ganho, o índice Gini, entre outros.
Com relação à alternativa correta, estratificação, ela se justifica pelo fato de que esse processo de divisão do conjunto de dados em camadas ou estratos mais homogêneos é fundamental na construção de uma árvore de decisão. A estratificação permite que a árvore represente de maneira mais acurada o processo de tomada de decisão, com cada nível da árvore refletindo uma estratificação mais refinada do conjunto de dados.
As outras alternativas, como análise de volumetria, combinação de variáveis, avaliação de dados e percepção, não descrevem adequadamente o processo de construção e aplicação de estratificação em uma árvore de decisão. Portanto, a alternativa C é a mais precisa para descrever a abordagem adotada na técnica de árvore de decisão em data mining.