Uma equipe está construindo um modelo de machine learning para prever o risco de doença cardíaca. O conjunto de dados inclui características de entrada (idade, colesterol, pressão arterial, tabagismo, exercício) e um rótulo indicando se cada paciente tem doença cardíaca. Qual abordagem de ML é apropriada?

A aprendizagem supervisionada é a abordagem correta porque o conjunto de dados inclui rótulos (se o paciente tem doença cardíaca ou não) para cada exemplo de entrada. O objetivo é treinar um modelo para aprender o mapeamento entre as características de entrada e esses rótulos conhecidos, permitindo que ele preveja o risco de doença cardíaca para novos pacientes. A aprendizagem não supervisionada seria usada se não houvesse rótulos, buscando padrões ou agrupamentos nos dados. A aprendizagem por reforço envolve um agente que aprende através de tentativa e erro em um ambiente, o que não se aplica a este problema de previsão. A aprendizagem semissupervisionada é uma combinação de ambas, usada quando há poucos dados rotulados e muitos não rotulados, mas o cenário descrito indica dados rotulados completos para treinamento.