Questões de Concurso

Um cientista de dados de uma agência reguladora está desenvolvendo modelos de Machine Learning para dois problemas distintos: classificar empresas de alto e baixo risco de fraude focando na Classificação Binária e prever o valor futuro de um indicador econômico tendo por base os fundamentos da Regressão.
Sobre as técnicas de modelagem e avaliação mais adequadas para cada cenário, avalie as afirmativas a seguir.

I. No problema de Classificação Binária com uma base desbalanceada, a métrica do coeficiente de determinação R ² deve ser priorizada sobre a acurácia.

II. No problema de Regressão, o erro quadrático médio (MSE - Mean Squared Error) é altamente sensível a outliers, e sua raiz quadrada RMSE possui a mesma unidade de medida da variável alvo.

III. O modelo de Regressão Logística é uma técnica de classificação que é adequada para estimar a probabilidade de um evento, mas é incorreto utilizá-lo para prever um valor contínuo como na Regressão.

Está correto o que se afirma em

Durante uma análise de regressão sobre o impacto de treinamento em incidentes de segurança, um único funcionário apresentou um número de incidentes muito acima do padrão. O pesquisador observou que o coeficiente da variável “horas de treinamento” mudou drasticamente quando esse funcionário foi removido da amostra. 
Esse comportamento indica que o ponto é

Seja o modelo de regressão linear y = ?₀ + ?₁ x, com y = {10, 30, 70, 70, 120}, x = {2, 4, 6, 8, 10} e B?₁  = 13.
O valor estimado de ?₀ pelo método dos mínimos quadrados ordinais é:

Em um modelo de regressão linear simples, a reta estimada é dada por  = a + bX. Sabendo que a variação residual foi de 60 e o coeficiente de determinação R² foi igual a 0,85, qual é a variação total da variável Y? 

Suponha duas variaveis, X = gastos com marketing em milhares de reais e Y = vendas de certo produto em milhares de unidades. Considerando que exista relação linear entre essas variáveis e utilizando a tabela abaixo, assinale a opção que apresenta a reta de mínimos quadrados ( = a + bX).