Alternativa B - a predição de valores contínuos e discretos
Introdução
Para compreender a diferença fundamental entre Regressão Linear e Regressão Logística, é necessário analisar o objetivo de cada modelo no contexto de aprendizado de máquina. Embora ambos sejam algoritmos supervisionados e utilizem equações matemáticas para ajustar dados, suas aplicações finais divergem drasticamente.
Desenvolvimento
A distinção principal reside no tipo de variável dependente (alvo) que o modelo é projetado para prever:
- Regressão Linear: Utilizada quando a variável de saída é contínua. O modelo tenta prever um valor numérico dentro de um intervalo infinito.
- Exemplo: Prever o preço de uma casa (R\$ 500.000, R\$ 500.001, etc.).
- Função: y = mx + b (uma linha reta).
- Regressão Logística: Utilizada quando a variável de saída é discreta ou categórica (classificação). O modelo estima a probabilidade de um evento ocorrer, resultando em uma classe definida.
- Exemplo: Classificar se um e-mail é Spam (1) ou Não Spam (0).
- Função: Função sigmoide (curva S) que comprime saídas entre 0 e 1.
Analise
Analisando as alternativas apresentadas:
- A) o tipo treinamento: Incorreto. Ambos podem ser treinados usando métodos semelhantes como Descida do Gradiente.
- B) a predição de valores contínuos e discretos: Correto. Esta é a definição clássica que separa os dois modelos. Linear gera números reais (contínuos); Logística gera classes (discretos).
- C) vetores de atributos com tamanhos distintos: Incorreto. O tamanho do vetor de entrada (features) pode variar em qualquer modelo, não sendo uma característica distintiva intrínseca.
- D) as categorias utilizadas: Vago e impreciso. Refere-se mais aos dados de entrada do que à função do modelo.
- E) o número de categorias: Incorreto. A regressão logística lida com categorias na saída, mas a diferença essencial não é o número, mas a natureza (contínua vs discreta).
Conclusao
A principal diferença simplificada entre os modelos é a natureza da saída prevista. Enquanto a Regressão Linear busca estimar quantidades (valores contínuos), a Regressão Logística busca estimar probabilidades de pertencimento a grupos (valores discretos).
Portanto, a alternativa correta é a B.