Questão de Engenharia de Software — Inteligencia Artificial — CESPE / CEBRASPE 2024
Engenharia de Software›Inteligencia Artificial
Código
ce175988
Banca
CESPE / CEBRASPE
Órgão
LNA
Ano
2024
Nível
Superior
Cargo
Tecnologista – Especialidade: Desenvolvimento e Arquitetura de Software
Considere que, durante o processo de treinamento de um modelo de aprendizagem de máquina, tenha ocorrido sobreajuste (overfitting) dos dados. Acerca dessa situação hipotética, julgue os itens a seguir.I Os dados utilizados durante o treinamento possuem grande quantidade de informações irrelevantes.II O modelo utilizado é de baixa complexidade e aprendeu o ruído nos dados de treinamento.III A validação cruzada K-fold é um dos métodos que podem ser utilizados na detecção da ocorrência de sobreajuste.Assinale a opção correta.
AApenas o item I está certo.
BApenas o item II está certo.
CApenas os itens I e III estão certos.
DApenas os itens II e III estão certos.
ETodos os itens estão certos.
Revelar gabarito e comentário▾
GabaritoC — Apenas os itens I e III estão certos.
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”.
Overfitting em aprendizado de máquina
Gabarito: letra C — Apenas os itens I e III estão corretos. O overfitting ocorre quando o modelo captura ruídos e informações irrelevantes dos dados de treinamento, tornando-se excessivamente complexo e perdendo capacidade de generalização. A validação cruzada K-fold é uma técnica usada para detectar overfitting ao comparar o desempenho do modelo em diferentes subconjuntos dos dados.
Overfitting
1Causas
Modelo de alta complexidade
Ruído nos dados de treino
Informações irrelevantes
2Consequências
Aprende padrões espúrios
Baixa generalização
3Detecção
Validação cruzada K-fold
Compara desempenho treino × validação
LEVEL · soulevel.com.br
Item I — ✅ Correto
O overfitting está associado à presença de informações irrelevantes ou ruído nos dados de treinamento. O modelo, ao tentar se ajustar perfeitamente, acaba aprendendo esses padrões espúrios, prejudicando a generalização para novos dados. O conteúdo de apoio afirma que "o overfitting está relacionado a alta variância, em que os ruídos aleatórios nos dados de treinamento são modelados". Portanto, o item está correto.
Item II — ❌ Incorreto
O item afirma que o modelo é de "baixa complexidade" e aprendeu o ruído. Na verdade, o overfitting ocorre justamente com modelos de alta complexidade, que possuem muitos parâmetros e se ajustam excessivamente aos dados de treino. Um modelo de baixa complexidade não consegue aprender nem mesmo os padrões reais, causando underfitting (subajuste). O conteúdo de apoio esclarece: "O overfitting está relacionado a alta variância... Podemos dizer que o modelo é complexo demais." Logo, o item está errado.
Item III — ✅ Correto
A validação cruzada K-fold é um método comum para detectar overfitting. Ela divide o conjunto de dados em K partes (folds), treina o modelo em K-1 folds e testa no fold restante, repetindo o processo. Se o desempenho nos dados de treinamento for muito superior ao desempenho nos dados de validação, há forte indício de overfitting. O conteúdo de apoio menciona que a validação cruzada ajuda a "avaliar o desempenho do modelo em dados 'novos'" e é usada para combater o sobreajuste. Portanto, o item está correto.
Conclusão: Itens corretos: I e III. Assim, a alternativa que corresponde é a letra C (Apenas os itens I e III estão certos).
NÃO CAIA NESSA!
O item II inverte a complexidade do modelo. O candidato pode confundir overfitting (alta complexidade) com underfitting (baixa complexidade). Lembre-se: overfitting = modelo complexo que decora o ruído; underfitting = modelo simples que não aprende os padrões.