Na técnica de árvore de decisão em data mining, é empregada ...

A alternativa correta é a C - estratificação.

A técnica de árvore de decisão em data mining é uma ferramenta poderosa usada para classificação e previsão. O processo de construção de uma árvore de decisão envolve dividir o conjunto de dados em subconjuntos mais homogêneos baseados em atributos de entrada, o que é conhecido como estratificação. Estas divisões são feitas de forma a maximizar a pureza de cada nó da árvore, buscando que cada subconjunto contenha dados que pertençam principalmente a uma única classe. Isso facilita a tomada de decisões, pois em cada nó da árvore é feita uma pergunta que leva a diferentes respostas e, portanto, a diferentes ramos da árvore.

O conhecimento necessário para resolver essa questão envolve compreender o que é uma árvore de decisão e o processo de dividir o conjunto de dados em subconjuntos mais puros. Cada decisão tomada na árvore corresponde a um critério de divisão, que pode ser baseado em diferentes técnicas de estratificação, como o ganho de informação, a razão de ganho, o índice Gini, entre outros.

Com relação à alternativa correta, estratificação, ela se justifica pelo fato de que esse processo de divisão do conjunto de dados em camadas ou estratos mais homogêneos é fundamental na construção de uma árvore de decisão. A estratificação permite que a árvore represente de maneira mais acurada o processo de tomada de decisão, com cada nível da árvore refletindo uma estratificação mais refinada do conjunto de dados.

As outras alternativas, como análise de volumetria, combinação de variáveis, avaliação de dados e percepção, não descrevem adequadamente o processo de construção e aplicação de estratificação em uma árvore de decisão. Portanto, a alternativa C é a mais precisa para descrever a abordagem adotada na técnica de árvore de decisão em data mining.

Não achei a resposta propriamente dita, mas a título de estudo:

Existem inúmeras ramificações de Data Mining, sendo algumas delas:

Redes neurais: são sistemas computacionais baseados numa aproximação à computação baseada em ligações. Nós simples (ou "neurões", "neurônios", "processadores" ou "unidades") são interligados para formar uma rede de nós - daí o termo "rede neural". A inspiração original para esta técnica advém do exame das estruturas do cérebro, em particular do exame de neurônios. Exemplos de ferramentas: SPSS Neural Connection, IBM Neural Network Utility, NeuralWare NeuralWork Predict. Indução de regras: a Indução de Regras, ou Rule Induction, refere-se à detecção de tendências dentro de grupos de dados, ou de “regras” sobre o dado. As regras são, então, apresentadas aos usuários como uma lista “não encomendada”. Exemplos de ferramentas: IDIS da Information Discovey e Knowledge Seeker da Angoss Software. Árvores de decisão: baseiam-se numa análise que trabalha testando automaticamente todos os valores do dado para identificar aqueles que são fortemente associados com os itens de saída selecionados para exame. Os valores que são encontrados com forte associação são os prognósticos chaves ou fatores explicativos, usualmente chamados de regras sobre o dado. Exemplos de ferramentas: Alice d’Isoft, Business Objects BusinessMiner, DataMind. Analise de séries temporais: a estatística é a mais antiga tecnologia em DM, e é parte da fundação básica de todas as outras tecnologias. Ela incorpora um envolvimento muito forte do usuário, exigindo engenheiros experientes, para construir modelos que descrevem o comportamento do dado através dos métodos clássicos de matemática. Interpretar os resultados dos modelos requer “expertise” especializada. O uso de técnicas de estatística também requer um trabalho muito forte de máquinas/engenheiros. A análise de séries temporais é um exemplo disso, apesar de freqüentemente ser confundida como um gênero mais simples de DM chamado “forecasting” (previsão). Exemplos de ferramentas: S+, SAS, SPSS. Visualização: mapeia o dado sendo minerado de acordo com dimensões especificadas. Nenhuma análise é executada pelo programa de DM além de manipulação estatística básica. O usuário, então, interpreta o dado enquanto olha para o monitor. O analista pode pesquisar a ferramenta depois para obter diferentes visões ou outras dimensões. Exemplos de ferramentas: IBM Parallel Visual Explorer, SAS System, Advenced Visual Systems (AVS) Express - Visualization Edition.

https://www.devmedia.com.br/conceitos-e-tecnicas-sobre-data-mining/19342

a árvore de decisão em data mining é usada, pois ela facilita a estratificação dos dados. letra c gabarito

estratificar = separar em níveis

2016

Em DataMining, as árvores de decisão podem ser usadas com sistemas de classificação para atribuir informação de tipo.

Certa

Com o uso da classificação

como técnica de Data Mining, busca-se a identificação de

uma classe por meio de múltiplos atributos

. Essa técnica também pode ser usada em conjunto com outras técnicas de mineração de dados.

Certa

2018

No data mining, uma regra de associação relaciona a presença de um conjunto de itens com outra faixa de valores de um outro conjunto de variáveis.

certa

2017

Agrupar registros em grupos, de modo que os registros em um grupo sejam semelhantes entre si e diferentes dos registros em outros grupos é uma maneira de descrever conhecimento descoberto durante processos de mineração de dados.

certa

Estratificação: É um método utilizado para separar (ou estratificar) um conjunto de dados de modo a perceber que existe um padrão. Consiste na divisão de um grupo em diversos subgrupos com base em fatores apropriados os quais são conhecidos como fatores de estratificação.

MAGALHÃES, Ivan Luizio; PINHEIRO, Valfrido brito. Gerenciamento de serviços de TI na prática: uma abordagem com base na ITIL.