Assinale a opção em que é apresentado exemplo no qual o uso ...

A alternativa correta é a Alternativa A.

O Gaussian Naive Bayes é um algoritmo de aprendizado de máquina baseado no teorema de Bayes, que assume que os atributos são distribuídos de forma normal, ou seja, seguem uma distribuição gaussiana. Este algoritmo é particularmente eficaz para classificações em que os atributos são contínuos.

Alternativa A: Classificação de flores com base em características como comprimento e largura das pétalas, onde os atributos são contínuos, é um exemplo ideal para o uso do Gaussian Naive Bayes. A suposição de normalidade dos dados faz com que o algoritmo seja bem apropriado para este tipo de problema, utilizando distribuições contínuas para prever a classe da flor.

Alternativa B: Detecção de fraudes em transações bancárias utilizando apenas indicadores binários não é o cenário mais apropriado para o Gaussian Naive Bayes, pois ele não é otimizado para lidar apenas com dados discretos ou binários. Para este tipo de dados, o Bernoulli Naive Bayes poderia ser mais adequado.

Alternativa C: Classificação de documentos com base na frequência de palavras geralmente não se beneficia da suposição de normalidade dos atributos contínuos. Neste caso, o uso de um modelo como o Multinomial Naive Bayes, que é mais adequado para dados de contagem, seria mais apropriado.

Alternativa D: Análise de sentimentos em redes sociais, onde os dados de entrada são contagens de palavras, também não é o campo onde o Gaussian Naive Bayes se destaca. Assim como na alternativa C, seria mais vantajoso usar o Multinomial Naive Bayes para lidar com esse tipo de dado.

Espero que esta explicação tenha ajudado você a entender melhor como o Gaussian Naive Bayes é aplicado e por que ele é mais apropriado para problemas com atributos contínuos.

Gostou do comentário? Deixe sua avaliação aqui embaixo!

Gabarito A

Quando o assunto é tipos de Naive Bayes, sempre lembrar:

• Gaussiano/Gaussian: características/features/atributos contínuos com distribuição normal;
• Multinominal: características/features/atributos discretos, muito utilizado em problemas com texto;
• Bernoulli: é semelhante ao multinominal, mas as características/features/atributos são binários, normalmente utilizado em problemas para classificação booleanas ou de ausência/presença.