Gabarito A

Esta questão aborda técnicas de engenharia de atributos (feature engineering) e redução de dimensionalidade, focando em como lidamos com dados categóricos complexos.

• A - Embedding (Correta): É uma técnica que converte variáveis categóricas de alta cardinalidade (como palavras em um vocabulário ou IDs de usuários) em vetores densos de números reais em um espaço de baixa dimensão. A principal vantagem é que o embedding é treinado para que itens semanticamente ou logicamente semelhantes fiquem próximos uns dos outros nesse novo espaço, preservando a informação relevante.
• B - Hashed Feature: Embora também reduza a dimensionalidade ao mapear categorias para um número fixo de "baldes" (buckets) usando uma função de hash, ela não garante a preservação da informação relevante de forma semântica. É uma técnica mais rígida e pode causar colisões (duas categorias diferentes mapeadas para o mesmo valor).
• C - Feature Cross: É a criação de um novo atributo a partir da combinação (multiplicação ou concatenação) de dois ou mais atributos existentes. Isso geralmente aumenta a dimensionalidade e a complexidade do modelo, em vez de reduzi-la.
• D - Reframing: Refere-se à mudança na forma como o problema é encarado (ex: transformar um problema de regressão em um de classificação), não sendo uma técnica de mapeamento de dados para espaços inferiores.
• E - Ensembles: É uma técnica de modelagem que combina as previsões de vários modelos (como Random Forest ou Gradient Boosting) para obter um resultado final mais robusto, não se tratando de uma etapa de transformação de dimensionalidade de atributos.

Retroceder Nunca Render-se Jamais !

Força e Fé !

Fortuna Audaces Sequitur !