Um auditor fiscal da Secretaria da Fazenda Nacional analisa um conjunto de dados de declarações de imposto de renda de pessoas físicas. Ele deseja identificar grupos de contribuintes com características semelhantes de renda, patrimônio e despesas, para direcionar fiscalizações. Para isso, aplica uma técnica de aprendizado de máquina não supervisionado que agrupa os registros com base na similaridade das variáveis, sem rótulos prévios. Após a execução, obtém cinco clusters. Considerando os conceitos de análise exploratória de dados e business intelligence, avalie as afirmativas a seguir:

I. A técnica utilizada é adequada para descobrir padrões e segmentar os contribuintes, pois não requer uma variável resposta definida a priori.

II. A análise de componentes principais (PCA) poderia ser aplicada antes do agrupamento para reduzir a dimensionalidade e melhorar a interpretação dos clusters, mas não substitui o algoritmo de clusterização.

III. A validação dos clusters pode ser feita por meio de métricas como o índice de silhueta, que avalia a coesão interna e a separação entre os grupos, independentemente do número de clusters escolhido.

IV. Caso os dados apresentem variáveis com escalas muito diferentes, é recomendável padronizá-las antes da clusterização, pois algoritmos baseados em distância, como o k-means, são sensíveis à escala.

Estão corretas apenas as afirmativas: