GabaritoE — Errado
❌ ERRADO. O nível de precisão de uma rede LSTM não é independente do tamanho do modelo; pelo contrário, a escolha do número de camadas, unidades ocultas e parâmetros influencia diretamente o desempenho.
A afirmação generaliza incorretamente. Redes LSTM (Long Short-Term Memory) são um tipo de rede neural recorrente projetado para capturar dependências de longo prazo em sequências. Contudo, como qualquer modelo de aprendizado de máquina, sua precisão depende da adequação da arquitetura ao problema. Modelos muito pequenos podem subajustar (underfitting), enquanto modelos excessivamente grandes podem superajustar (overfitting) ou exigir mais dados e regularização. Portanto, não há independência entre precisão e tamanho.
Afirma que a precisão se mantém independentemente do tamanho do modelo. Isso é falso: a precisão varia com a capacidade do modelo, dados e hiperparâmetros.
Reconhece a falsidade da afirmação, alinhada ao princípio de que o desempenho de redes neurais depende da arquitetura adotada.
A banca explora a generalização indevida de que LSTMs são robustos a ponto de manter a precisão qualquer que seja o tamanho. Na verdade, a escolha do tamanho é crítica para o desempenho.
Gabarito: letra E — Errado.
Link permanente: /questoes/ce125509