Questão FC369907
Algoritmos de agrupamento são fundamentais para a área de aprendizado de máquina não supervisionado. Em geral, esses algoritmos determinam clusters de instâncias de dados que possu
Inteligência Artificial (IA)
FGV · 2024
Algoritmos de agrupamento são fundamentais para a área de aprendizado de máquina não supervisionado. Em geral, esses algoritmos determinam clusters de instâncias de dados que possuem algum traço de similaridade entre si.
Relacione os métodos de agrupamento hierárquico e o K-means às suas principais características.
1. Agrupamento Hierárquico
2. K-means
( ) Seus resultados são altamente sensíveis ao número de clusters que deve ser pré-definido pelo usuário do algoritmo.
( ) Baseia-se em abordagens top-down ou bottom-up, isto é, com a divisão ou com a união sucessiva de clusters.
( ) Seus resultados costumam ser graficamente visualizados por dendrogramas, que podem ser seccionados de acordo com o número de clusters determinado pelo usuário do algoritmo.
( ) Avalia distâncias entre as instâncias de dados e os centroides dos clusters e atualiza a posição dos centroides dos clusters sucessivamente, até a convergência.
Assinale a opção que indica a relação correta, na ordem apresentada.
- 2 – 1 – 2 – 1.
- 2 – 2 – 2 – 1.
- 2 – 1 – 2 – 2.
- 2 – 1 – 1 – 2.
- 1 – 1 – 2 – 2.
Mostrar resposta e comentário
Gabarito
D
Comentário do professor
A sequência 2–1–1–2 indica a associação dos enunciados aos métodos: o primeiro e o último descrevem características do K-means, enquanto o segundo e o terceiro referem‑se ao Algoritmo Hierárquico.
No K-means há alta sensibilidade ao número de clusters (k) definido pelo usuário e às seeds iniciais; o algoritmo busca minimizar a soma de quadrados atribuindo pontos ao centróide mais próximo e atualizando‑os iterativamente (passo típico: \( \mu_j=\frac{1}{|C_j|}\sum_{x\in C_j}x\)).
O Algoritmo Hierárquico opera por estratégias bottom‑up (aglomerativo) ou top‑down (divisivo), construindo uma árvore de partições.
Essa árvore é visualizada por um dendrograma, que pode ser cortado em diferentes níveis para obter o número desejado de clusters.
Conteúdo do catálogo FC Concursos · Atualizado em