Em aprendizado de máquina, classificadores binários e multiclasses são usados para categorizar dados em duas ou mais classes. Considere os cenários a seguir:
1. Um sistema de detecção de fraudes bancárias, onde cada transação deve ser classificada como fraudulenta ou não fraudulenta.
2. Um modelo de classificação de espécies de flores, onde cada flor pode ser categorizada como setosa, versicolor ou virginica.
Em relação aos cenários apresentados, assinale a alternativa que descreve os modelos mais adequados para cada tipo de problema.
- A O primeiro cenário exige um classificador binário, e um algoritmo adequado seria Regressão Logística, enquanto o segundo exige um classificador multiclasses, podendo ser resolvido com Árvores de Decisão.
- B Ambos os cenários exigem um classificador binário, pois a classificação sempre se baseia em decisões binárias internamente, independentemente do número de classes.
- C O primeiro cenário deve ser tratado com um algoritmo de clusterização, como K-Means, pois detectar fraudes exige agrupar comportamentos similares, enquanto o segundo pode ser resolvido com um modelo de regressão linear.
- D O primeiro cenário pode ser resolvido, apenas, com Redes Neurais Profundas, pois são os únicos modelos capazes de lidar com classificações binárias e multiclasses.
- E O primeiro problema exige aprendizado supervisionado, enquanto o segundo deve ser tratado exclusivamente com métodos de aprendizado não supervisionado, pois a separação das espécies de flores deve ser feita sem um conjunto de dados previamente rotulado.