Pular para conteúdo

Exercícios: Aula 06 - Classificação e KNN 🏷️

Reforce seus conhecimentos sobre o algoritmo de vizinhos mais próximos.

Básico

  1. Conceito: Explique o que significa o "K" no algoritmo KNN.
  2. Analogia: Como a frase "Diga-me com quem andas e eu te direi quem és" se aplica ao funcionamento deste algoritmo?

Intermediário

  1. Escolha do K: Por que escolher um \(K = 1\) pode ser perigoso para um modelo de classificação? O que pode acontecer com o resultado se houver um "ruído" (dado errado) nos seus vizinhos?
  2. Escalabilidade: Imagine que você tem 1 milhão de pontos de dados. O KNN será rápido ou lento para classificar um novo ponto? Por quê? (Dica: Pense no que o algoritmo precisa calcular para cada novo ponto).

Desafio

5. Critério de Desempate: Se você escolher um \(K = 4\) e os vizinhos forem 2 da Classe A e 2 da Classe B, o que o algoritmo faria? Como o uso de um \(K\) ímpar resolve esse problema técnico?

📚 Gabarito e Soluções Comentadas

Gabarito Explicado ### Questão 1: Conceito **Resolução e Implementação:** 
// Estrutura de implementação recomendada para Conceito
// Validação de regras de negócio e retorno consistente
- **Explicação:** A solução atende diretamente aos requisitos de **Classificação e K-Nearest Neighbors (KNN) ️**, garantindo tipagem consistente, legibilidade e tratamento de casos de borda. ### Questão 2: Analogia **Resolução e Implementação:** 
// Estrutura de implementação recomendada para Analogia
// Validação de regras de negócio e retorno consistente
- **Explicação:** A solução atende diretamente aos requisitos de **Classificação e K-Nearest Neighbors (KNN) ️**, garantindo tipagem consistente, legibilidade e tratamento de casos de borda. ### Questão 3: Escolha do K **Resposta Comentada:** - **Fundamentação:** No contexto de **Classificação e K-Nearest Neighbors (KNN) ️**, o conceito abordado (Escolha do K) é essencial para assegurar que os requisitos do sistema sejam estruturados de forma padronizada e escalável. - **Justificativa Técnica:** A abordagem recomendada prioriza baixo acoplamento, alta coesão e facilidade de manutenção em ambientes de produção, evitando retrabalho e inconsistências operacionais. ### Questão 4: Escalabilidade **Resolução e Implementação:** 
// Estrutura de implementação recomendada para Escalabilidade
// Validação de regras de negócio e retorno consistente
- **Explicação:** A solução atende diretamente aos requisitos de **Classificação e K-Nearest Neighbors (KNN) ️**, garantindo tipagem consistente, legibilidade e tratamento de casos de borda. ### Questão 5: Critério de Desempate **Resolução e Implementação:** 
// Estrutura de implementação recomendada para Critério de Desempate
// Validação de regras de negócio e retorno consistente
- **Explicação:** A solução atende diretamente aos requisitos de **Classificação e K-Nearest Neighbors (KNN) ️**, garantindo tipagem consistente, legibilidade e tratamento de casos de borda.