Um auditor fiscal da Secretaria da Fazenda Nacional precisa analisar um grande volume de dados de contribuintes para identificar possíveis fraudes. Ele tem acesso a um data warehouse que armazena dados históricos de declarações, pagamentos e cadastros. Para otimizar a detecção de anomalias, ele decide aplicar técnicas de mineração de dados. Considerando as características dos algoritmos de aprendizado de máquina e as necessidades da auditoria, avalie as afirmativas a seguir:

I. A técnica de agrupamento (clustering) é adequada para identificar grupos de contribuintes com comportamento fiscal similar, permitindo detectar outliers que podem indicar sonegação.

II. A classificação supervisionada requer um conjunto de dados rotulado com casos confirmados de fraude para treinar o modelo, o que pode ser inviável se não houver histórico suficiente de fraudes detectadas.

III. A regressão logística é uma técnica de aprendizado não supervisionado que pode ser usada para prever a probabilidade de um contribuinte cometer fraude, mesmo sem dados históricos de fraudes.

IV. A análise de associação (market basket analysis) é útil para descobrir correlações entre diferentes tipos de infrações cometidas por um mesmo contribuinte, auxiliando na identificação de padrões de fraude.

Está correto o que se afirma em: