Questão de Engenharia de Software — Inteligencia Artificial — CESPE / CEBRASPE 2024
Engenharia de Software›Inteligencia Artificial
Código
ce167456
Banca
CESPE / CEBRASPE
Órgão
ANTT
Ano
2024
Nível
Superior
Cargo
Especialista em Regulação de Serviços de Transportes Terrestres - Conhecimentos Específicos
Julgue o próximo item, em relação a aprendizado supervisionado e não supervisionado.Ocorre sobreajuste quando um modelo de dados é incapaz de capturar o relacionamento entre as variáveis de entrada e saída com precisão, o que gera uma alta taxa de erro tanto no conjunto de treinamento quanto nos dados não exibidos.
CCerto
EErrado
Revelar gabarito e comentário▾
GabaritoE — Errado
Comentário gerado por IA. É um apoio ao estudo, ancorado em fontes, mas pode conter imprecisões — confira sempre na fonte oficial (lei, súmula, edital e gabarito da banca). Encontrou um erro? Use “Reportar”.
Sobreajuste (overfitting) em aprendizado de máquina
Gabarito: E — Errado. A afirmação descreve o fenômeno oposto ao sobreajuste: o underfitting. No overfitting, o modelo apresenta excelente desempenho nos dados de treinamento (baixo erro) e performance degradada em novos dados (alto erro). Já o underfitting é caracterizado por alta taxa de erro tanto no treinamento quanto nos dados não vistos, pois o modelo não consegue capturar a relação entre entrada e saída.
A banca troca os conceitos: a definição dada corresponde a underfitting, não a overfitting.
Treinamento
Novos dados
Alto erro
Overfitting
Overfitting
Baixo erro
Underfitting
Underfitting
LEVEL · soulevel.com.br
Alternativa C — ❌ Incorreta
A alternativa afirma que o item está correto, mas o item está errado. A definição apresentada é de underfitting, não de overfitting.
Alternativa E — ✅ Correta ⟵ GABARITO
A alternativa reconhece que o item está errado, o que é verdade. No overfitting, o modelo "decora" os dados de treino, com baixo erro, mas generaliza mal. O overfitting ocorre quando o modelo preditivo possui excelente desempenho em dados de treinamento, mas seu desempenho se reduz à medida que avalia os novos dados.
NÃO CAIA NESSA!
A banca inverte overfitting com underfitting. Lembre-se: overfitting = baixo erro treino, alto erro teste; underfitting = alto erro treino e teste.