Das técnicas apresentadas a seguir, a mais adequada para identificar agrupamentos (clusters) em um conjunto de dados não rotulado em um problema de aprendizado de máquina não super

Gabarito

B

Comentário do professor

K-means é um método de agrupamento que particiona um conjunto não rotulado em K grupos, minimizando a soma das distâncias quadráticas internas (inércia). O critério otimizado é \( \sum_{j=1}^K \sum_{x\in C_j} \|x-\mu_j\|^2 \), onde cada \(\mu_j\) é o centroide do cluster.

O algoritmo alterna duas etapas: atribuição (cada ponto vai para o cluster com o centroide mais próximo, geralmente por distância Euclidiana) e atualização (recalcula os centroides pela média): \( \mu_j = \frac{1}{|C_j|}\sum_{x\in C_j} x\).

K-means é eficiente e escalável, converge rapidamente para um mínimo local e é indicado quando se busca identificar agrupamentos compactos e de formato aproximadamente esférico.

Requer definir K e cuidado com escala das variáveis; inicializações inteligentes (ex.: k-means++) e múltiplas execuções ajudam a obter resultados robustos.