• AAplicar exclusivamente aprendizado supervisionado, utilizando algoritmos de classificação como Random Forest, uma vez que o objetivo final é prever uma categoria (alto/baixo risco) e os dados históricos já contêm a informação sobre quais contribuintes sonegaram ou não.
• BAplicar exclusivamente aprendizado não supervisionado, utilizando algoritmos de agrupamento como K-means, pois a identificação de grupos de contribuintes com características semelhantes é suficiente para determinar automaticamente quais são de alto risco, sem necessidade de rótulos.
• CAplicar inicialmente aprendizado não supervisionado para agrupar contribuintes com base em suas características, e, em seguida, utilizar os grupos formados como rótulos para treinar um modelo supervisionado de classificação, aproveitando a estrutura latente dos dados para melhorar a predição.
• DAplicar aprendizado supervisionado apenas para regressão, estimando a probabilidade numérica de sonegação de cada contribuinte, e, com base nesse valor, definir limiares para classificá-los como alto ou baixo risco, sem utilizar técnicas de agrupamento.
• EAplicar aprendizado não supervisionado para detecção de anomalias, identificando contribuintes que se desviam do padrão geral, e considerar automaticamente todos os anomalos como alto risco, sem a necessidade de um modelo preditivo adicional.

Atalhos: A–E marca · Shift+letra corta · Enter próxima

Selecione uma alternativa pra criar sua conta e salvar o progresso.