Apostilas em PDF –  Como o cespe trata dois temas recorrentes em concursos

As máquinas de vetores de suporte (SVM — Support Vector Machines) são algoritmos centrais em aprendizado de máquina supervisionado, especialmente quando o assunto envolve classificação binária, margem de separação ótima e até regressão. Embora seu funcionamento envolva conceitos matemáticos sofisticados, como vetores, produtos internos e otimização convexa, muitas questões de concurso cobram o entendimento conceitual e funcional do SVM.

A banca CESPE/CEBRASPE, conhecida por sua precisão técnica, vem incluindo questões de SVM em concursos desde cargos de nível técnico até áreas altamente especializadas, como ciência de dados e regulação. A seguir, trazemos seis questões reais aplicadas em concursos de 2023 a 2025, com comentários e explicações em linguagem acessível para que você possa revisar e fixar os conceitos essenciais.

Questão 1 – MPE-CE (2025)

SVM (support vector machines) é um classificador não probabilístico que utiliza um hiperplano com margem máxima para separar dados em diferentes categorias, combina modelos lineares com técnicas de aprendizagem baseadas em instâncias e pode executar classificações lineares ou realizar classificações não lineares.
Gabarito: CERTO

Essa questão está correta e bem formulada. O SVM é de fato um classificador não probabilístico — diferente, por exemplo, do Naive Bayes, que estima distribuições de probabilidade. Seu principal objetivo é encontrar um hiperplano ótimo que maximize a margem entre duas classes. O algoritmo pode ser linear (quando os dados são separáveis por uma linha ou plano) ou não linear (utilizando kernels para transformar o espaço original).

Questão 2 – ANATEL (2024)

O SVM classifica os dados encontrando uma linha ou hiperplano ideal; essa linha de separação é encontrada entre duas classes distintas pela análise dos dois pontos, um de cada grupo, mais próximos da outra classe.
Gabarito: CERTO

Essa afirmação refere-se à ideia de vetores de suporte: os pontos que estão mais próximos da fronteira de separação. É com base nesses pontos que o SVM determina a posição e orientação do hiperplano. Essa característica o torna robusto a outliers mais afastados e eficiente em generalizar para novos dados.

Questão 3 – ANATEL (2024)

SVM é um algoritmo de aprendizado de máquina supervisionado que pode ser usado para desafios de classificação ou regressão.
Gabarito: CERTO

Essa afirmação está correta. Embora o uso mais comum do SVM seja na classificação binária, ele também pode ser adaptado para problemas de regressão, no chamado SVR — Support Vector Regression. A diferença principal é que, na regressão, o objetivo passa a ser encontrar uma função que se mantenha dentro de uma margem de erro aceitável dos dados.

Questão 4 – DATAPREV (2023)

Os algoritmos SVM (support vector machines) realizam apenas tarefas de regressão.
Gabarito: ERRADO

Aqui, a questão está claramente incorreta. O SVM foi originalmente desenvolvido para classificação, sendo posteriormente estendido para regressão. Dizer que ele realiza apenas regressão é uma distorção do escopo do algoritmo. O erro está na restrição imposta pela palavra “apenas”.

Questão 5 – ANTT (2024)

No aprendizado supervisionado, os algoritmos de Naive Bayes e o de máquinas de vetores de suporte são utilizados tanto na classificação quanto na regressão.
Gabarito: ERRADO

Embora SVM seja de fato utilizado tanto para classificação quanto para regressão, o Naive Bayes é um classificador, e não é comumente (nem originalmente) aplicado em regressão. Logo, o erro da afirmativa está em estender essa propriedade a ambos os algoritmos, o que invalida o item.

Questão 6 – Petrobras (2022)

Um conjunto linearmente separável é composto por exemplos que podem ser separados por pelo menos um hiperplano. As SVMs lineares buscam o hiperplano ótimo segundo a teoria do aprendizado estatístico, definido como aquele em que a margem de separação entre as classes presentes nos dados é minimizada.
Gabarito: ERRADO

Essa questão contém um erro sutil, mas crítico. O SVM não minimiza a margem, ele maximiza. O objetivo é encontrar o hiperplano que afasta ao máximo as classes entre si, maximizando a margem entre os vetores de suporte. A ideia de “margem mínima” se opõe diretamente à teoria do aprendizado estrutural sobre a qual o SVM é fundamentado.

A análise dessas questões evidencia como o CESPE trabalha com nuances conceituais. Em algumas, a presença ou ausência de uma palavra — como “apenas”, “todos”, “mínima” ou “ideal” — pode alterar completamente o sentido e tornar o item incorreto.

Outro ponto importante é perceber como o CESPE espera do candidato mais do que a definição formal. É preciso entender como o SVM funciona na prática, por que os vetores de suporte são relevantes e como a margem está no centro da estratégia do algoritmo.

Também é essencial distinguir o SVM de outros algoritmos supervisionados. Enquanto o KNN, por exemplo, depende fortemente de todos os dados de treinamento (memorização), o SVM se baseia apenas nos vetores de suporte, o que o torna mais eficiente em muitos cenários de classificação.

A adaptação do SVM para problemas não lineares por meio do truque do kernel é outro diferencial técnico que pode aparecer nas provas. Ao aplicar uma função de kernel (como RBF ou polinomial), o algoritmo projeta os dados em um espaço dimensional maior, onde a separação linear se torna possível.

Na prática, as SVMs são particularmente eficazes em conjuntos de dados com um número grande de variáveis, mas um número relativamente pequeno de amostras. Elas também tendem a performar bem quando há separação clara entre as classes.

Por fim, vale destacar que, embora sejam frequentemente vistas como algoritmos “clássicos”, as SVMs continuam presentes em sistemas de recomendação, diagnóstico médico, reconhecimento de padrões e sistemas de segurança. Seu domínio é indispensável para quem pretende atuar profissionalmente ou prestar concursos na área de ciência de dados ou TI.