Fique por dentro – Concurso de TI! Naive Bayes para concursos públicos

E aí, pessoal! Professor Vitor Kessler na área para falar sobre essa técnica sensacional em ciência de dados. Se você é um aluno concurseiro se preparando para concursos públicos e quer entender como o Naive Bayes é cobrado, esse post vai te ajudar a dominar o assunto de forma divertida e descomplicada.

Imagine que você é um detetive investigando um crime e precisa descobrir o culpado entre um grupo de suspeitos. O Naive Bayes funciona como uma espécie de detetive estatístico, usando a probabilidade para te ajudar a tomar a decisão mais acertada.

Esse algoritmo é amplamente utilizado em problemas de classificação, como filtragem de spam, análise de sentimentos e diagnóstico médico. Ele é baseado no Teorema de Bayes, que estabelece uma relação entre a probabilidade de um evento ocorrer e a probabilidade condicional de outras informações relacionadas a esse evento.

O “naive” em Naive Bayes significa “ingênuo” em inglês, porque o algoritmo assume que as variáveis são independentes entre si. É como se cada suspeito tivesse um comportamento independente dos outros. Claro que, na vida real, nem sempre é assim, mas essa simplificação ajuda a tornar o problema mais gerenciável.

Para utilizar o Naive Bayes, é preciso ter um conjunto de dados de treinamento com as características dos eventos e suas respectivas classes. Com base nesses dados, o algoritmo calcula as probabilidades para cada classe e, em seguida, classifica novos eventos com base nessas probabilidades.

Uma das grandes vantagens do Naive Bayes é sua eficiência computacional. Ele é rápido e pode ser aplicado a conjuntos de dados com muitas variáveis. Além disso, mesmo com a simplificação da independência entre as variáveis, o algoritmo muitas vezes apresenta bons resultados.

É importante destacar que o Naive Bayes também pode lidar com variáveis categóricas e quantitativas. Isso significa que você pode usar tanto características como palavras de um texto quanto valores numéricos para fazer suas análises.

Claro que nem tudo são flores. O Naive Bayes pode ser sensível a dados desbalanceados e pode ter problemas quando se depara com categorias não vistas durante o treinamento. Por isso, é importante realizar uma boa análise exploratória dos dados e fazer ajustes necessários para obter melhores resultados.

Por hoje é só, galera! Espero ter ajudado vocês a entenderem o Naive Bayes de uma maneira descontraída e didática. Mantenham o foco nos estudos, usem sua intuição e dominem essa técnica poderosa. Nos vemos no próximo post, com mais dicas incríveis de ciência de dados! 

Mas, antes do fim, vamos praticar:

Prova: CESPE / CEBRASPE – 2021 – SEFAZ-CE – Auditor Fiscal de Tecnologia da Informação da Receita Estadual

A classificação Naive Bayes parte da suposição de que as variáveis envolvidas em machine learning são independentes entre si.

Gabarito: C

Comentários: A afirmativa apresentada na prova CESPE/CEBRASPE de 2021 está correta. Na classificação Naive Bayes, assume-se a independência condicional das variáveis envolvidas no processo de aprendizado de máquina.

Essa suposição simplificadora é conhecida como “naive” ou “ingênua” porque nem sempre é verdade que as variáveis sejam completamente independentes. No entanto, a técnica se baseia nessa hipótese para facilitar o cálculo das probabilidades e tornar o algoritmo mais eficiente.

Apesar dessa simplificação, o Naive Bayes tem mostrado bons resultados em várias aplicações, como análise de sentimentos, filtragem de spam e diagnóstico médico. Mesmo com a suposição de independência, o algoritmo pode produzir classificações precisas e úteis.

É importante destacar que, na prática, nem sempre todas as variáveis são completamente independentes. Porém, em muitos casos, a suposição de independência condicional é uma aproximação razoável e suficiente para obter resultados satisfatórios.

Prova: FUNDATEC – 2023 – BRDE – Analista de Sistemas – Ciência de Dados

Analise as assertivas abaixo sobre o algoritmo Naive Bayes:

I. Trata-se de um classificador que se baseia na probabilidade de cada evento ocorrer, desconsiderando a correlação entre features. Isso significa que se o valor de um atributo exerce algum efeito sobre a distribuição de classes existentes no conjunto, esse efeito é independente dos valores assumidos por outros atributos e de seus respectivos efeitos sobre a mesma distribuição de classe.

II. Em um processo de classificação no qual um exemplar com rótulo desconhecido seja apresentado ao classificador, o algoritmo tomará a decisão sobre a qual classe o exemplar deve estar associado, por meio do cálculo de probabilidades condicionais, ou seja, as probabilidades de ele pertencer a cada uma das classes existentes no conjunto de dados de treinamento. 

III. Uma aplicação que pode se beneficiar do uso do algoritmo Naive Bayes é identificar se um determinado e-mail é um spam ou não.

Quais estão corretas? 

A Apenas I. 

B Apenas II.

C Apenas III.

D Apenas I e II.

E I, II e III.

Gabarito: E

Comentários: Na prova FUNDATEC – 2023 – BRDE – Analista de Sistemas – Ciência de Dados, todas as assertivas estão corretas.

A assertiva I afirma corretamente que o Naive Bayes desconsidera a correlação entre as features e assume que o efeito de um atributo na distribuição de classes é independente dos valores assumidos por outros atributos.

A assertiva II também está correta, pois o Naive Bayes utiliza o cálculo de probabilidades condicionais para tomar a decisão sobre a qual classe um exemplar desconhecido deve ser associado. O algoritmo calcula as probabilidades de pertencer a cada classe com base nos dados de treinamento.

A assertiva III é igualmente correta, mencionando que uma aplicação que pode se beneficiar do uso do algoritmo Naive Bayes é a identificação de spam em e-mails. O Naive Bayes é amplamente utilizado nesse contexto, analisando as características dos e-mails para determinar a probabilidade de serem spam ou não.

Portanto, a resposta correta é a alternativa E: I, II e III.