‘Assim, voc® coleta de dados de “quantidade média de digitos nos valores dos cheques" por "més/ano”. Que ‘€cnica de aprendizado de maquina vocé usaria para tentar analisar esse comportamento e fazer previsbes acerca dos meses futuros? © FScore * Etro mediano absoluto + Acurdcia ergunta 06: Suponha que seu cliente te enviou 2100 ntimeros classificados previamente para alimentar 0 treino do seu algoritmo. Vocé gera seu modelo. Um tempo depois, seu cliente pergunta se vocé precisa de mais dados. A obten¢do desses dados acarretard em custos maiores, portanto nao deve ser feita a ndo ser que va trazer beneficios reais para seu algoritmo. Como vacé poderia descobrir se vale a pena trazer mais dados para 0 seu algoritmo? * Usando validagao cruzada * Usando otimizagio de hiperparametros Nenhuma alternativa é a correta Pergunta 07: A técnica de validacio cruzada “deixar P elementos de fora", para o problema sob andlise, seria uma boa escolha? Justifique sua resposta. + Sim-ela é a mais precisa e, portanto, vai nos dar maior confiabilidade Nao - ela ndo trard resultados melhores que a K-Grupos. Sim - ela é a mais adequada para modelos de classificagao ergunta 08: Suponha que, num agrupamento para aquele conjunto de dados, teve-se valor elevado de entropia. (0 que isso melhor quer dizer em relagdo as Imagens usadas no treino? + Precisamos, necessariamente, de mais imagens. + Omadelo esta com desempenho inaceitavel para as imagens escolhidas, * Asimagens estao bem separadas eo modelo est bom para ir para produc30, ergunta 09: Suponha que vocé tenha usado um classificador multilabel para resolver o seu problema, Marque @ alternativa correta. Aperda de hamming é a métrica de qualidade mais adequada aqui Nao é possivel modelar 0 problema como um classificador multilabel, pois s6 ha dois resultados possiveis: cheque correto (positivo) e cheque errado (negativo) ‘A perda 0-1 é a métrica de qualidade mais adequada aqui Pergunta 10: Qual técnica de validaco cruzada voc® usaria para resolver o seu problema? * Adiviséo de treino e teste -nessa escala de problema, é a tinica vidvel + Deixar P elementos de fora -ela é a mais precisa e, portanto, vai nos dar maior confiabilidade + A divisio de treino e teste -a perda de dados é aceitével para esse problema