Gabarito disponível
Texto-base:
Considerando que a espectroscopia de ressonância magnética nuclear (RMN) tem se consolidado como uma ferramenta essencial na análise de produtos agroindustriais, julgue os itens que se seguem.
A combinação de espectroscopia de RMN com algoritmos de aprendizado de máquina, como máquinas de vetores de suporte com kernels não lineares e random forest, aprimora a discriminação de amostras com pequenas variações estruturais, devido à capacidade desses modelos de lidar com relações complexas entre os metabólitos diferenciais, extraindo informações sutis que não são facilmente captadas por técnicas lineares.
Considerando que a espectroscopia de ressonância magnética nuclear (RMN) tem se consolidado como uma ferramenta essencial na análise de produtos agroindustriais, julgue os itens que se seguem.
A combinação de espectroscopia de RMN com algoritmos de aprendizado de máquina, como máquinas de vetores de suporte com kernels não lineares e random forest, aprimora a discriminação de amostras com pequenas variações estruturais, devido à capacidade desses modelos de lidar com relações complexas entre os metabólitos diferenciais, extraindo informações sutis que não são facilmente captadas por técnicas lineares.
RMN + ML não linear (SVM com kernel, random forest) melhora a discriminação de amostras muito semelhantes.
Dados de RMN são multivariados e os metabólitos diferenciais se relacionam de forma complexa e não linear. SVM com kernels não lineares e random forest modelam essas relações e captam diferenças sutis que métodos lineares (como PCA/PLS-DA) podem não captar. Por isso a afirmativa está correta.
Análise das alternativas
A) Certo: correta, conforme o gabarito. B) Errado: incorreta, pois a afirmação descreve corretamente a vantagem dos modelos não lineares.
Referência: Quimiometria aplicada a dados de RMN em alimentos e produtos agroindustriais.
Resolução comentada do VaiConcursos.