No que se refere às bibliotecas Numpy, Pandas, Matplotlib e ...

Gabarito: C - Certo

A alternativa correta é Certo. A biblioteca Scipy é uma das ferramentas mais poderosas no ecossistema das linguagens de programação para computação científica, particularmente em Python. Ela é construída sobre a biblioteca Numpy, o que significa que ela herda todas as capacidades de Numpy e, além disso, adiciona seu próprio conjunto de módulos para tarefas avançadas.

A Scipy é de grande utilidade em diversas áreas da ciência e engenharia, sendo capaz de realizar operações como otimização, álgebra linear, integração, interpolação, transformadas de Fourier, processamento de sinal, e mais relevantemente para a questão, regressões lineares multivariadas. Este tipo de regressão é uma técnica estatística que visa prever o valor de uma variável dependente com base em duas ou mais variáveis independentes.

Para realizar tais operações, a Scipy oferece sub-módulos específicos, como o scipy.stats, que prove ferramentas para a realização de modelos estatísticos, incluindo a regressão linear multivariada mencionada na questão. Portanto, a afirmação de que a Scipy permite criar regressões lineares multivariadas é correta, refletindo as capacidades desta biblioteca no contexto da programação científica em Python.

certo

exemplo de regressao linear com scipy:

import numpy as np

from scipy.linalg import lstsq

data = np.array([

   [1000, 2, 300000],

   [1500, 3, 400000],

   [1200, 2, 350000],

   [1800, 4, 500000],

   [2000, 3, 550000]

])

X = np.column_stack((data[:, 0], data[:, 1], np.ones(len(data))))

y = data[:, 2]

coefficients, residuals, _, _ = lstsq(X, y)

new_house = np.array([1600, 3, 1]) # New house: 1600 sq ft, 3 bedrooms, constant term

predicted_price = np.dot(new_house, coefficients)

print("Predicted price of the new house: $", predicted_price)

The lstsq function in scipy.linalg is used to find the least squares solution to a linear equation system. In the context of multivariate linear regression, we set up a linear equation system where each equation represents one observation (or data point). The system is typically overdetermined, meaning we have more equations (data points) than unknowns (coefficients). The least squares solution finds the coefficients that minimize the sum of the squared differences between the actual target values and the predicted values based on the features.

https://numpy.org/doc/stable/reference/generated/numpy.linalg.lstsq.html