ML Supervisionado: Classificação
Regressão logística, KNN, SVM, métricas (accuracy, precision, recall, F1, ROC-AUC), limiares
1Qual é o objetivo principal de um algoritmo de classificação supervisionada?
Qual é o objetivo principal de um algoritmo de classificação supervisionada?
Resposta
A classificação supervisionada visa prever uma categoria ou classe (variável discreta) a partir de features de entrada, aprendendo com dados rotulados. Diferente da regressão que prevê valores contínuos, a classificação atribui cada observação a uma classe predefinida (binária ou multiclasse).
2Qual função matemática a regressão logística usa para transformar predições em probabilidades?
Qual função matemática a regressão logística usa para transformar predições em probabilidades?
Resposta
A função sigmoid (ou logística) transforma qualquer valor real em uma probabilidade entre 0 e 1. É definida como sigma(z) = 1/(1+e^(-z)). Esta função permite interpretar a saída como a probabilidade de pertencer à classe positiva.
3O que representam os coeficientes em um modelo de regressão logística?
O que representam os coeficientes em um modelo de regressão logística?
Resposta
Os coeficientes da regressão logística representam a mudança no log-odds para cada unidade de mudança na feature correspondente. Um coeficiente positivo aumenta a probabilidade da classe positiva, enquanto um coeficiente negativo a diminui. A exponencial do coeficiente dá o odds ratio.
Como o algoritmo K-Nearest Neighbors (KNN) funciona para classificação?
Qual é o impacto de escolher o valor de k no algoritmo KNN?
+21 perguntas de entrevista
Outros temas de entrevista Data Science & ML
Fundamentos de Python
Programação Orientada a Objetos em Python
Estruturas de dados em Python
Fundamentos do Git
Fundamentos de SQL
Fundamentos de NumPy
Fundamentos de Pandas
Jupyter & Google Colab
SQL Joins e consultas avançadas
Pandas avançado
Visualização com Matplotlib & Seaborn
Visualizações interativas com Plotly
Estatística descritiva
Estatística inferencial
Web Scraping
BigQuery & Cloud Data
Feature Engineering
ML Supervisionado: Regressão
Árvores de Decisão e Ensembles
ML Não Supervisionado
Pipelines ML e Validação
Séries Temporais e Previsão
Fundamentos de Deep Learning
TensorFlow & Keras
CNN e classificação de imagens
RNN e Sequências
Transformers e Attention
NLP e Hugging Face
GenAI e LangChain
MLOps e Implantação
Domine Data Science & ML para sua proxima entrevista
Acesse todas as perguntas, flashcards, testes tecnicos, exercicios de code review e simuladores de entrevista.
Comece gratis