Em relação ao uso de inteligência artificial para a automação de operações florestais, julgue o próximo item.No treinamento de modelos de aprendizado de máquina aplicados a operações florestais, pode ocorrer underfitting quando o modelo aprende padrões específicos dos dados de treinamento, mas não faz boas generalizações para novos dados.
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”.
Aprendizado de máquina: underfitting e overfitting
Gabarito: Errado (alternativa E). A afirmativa descreve corretamente o conceito de overfitting, não de underfitting. O underfitting ocorre quando o modelo é simples demais e não consegue aprender nem os padrões dos dados de treinamento, apresentando baixo desempenho tanto nos dados de treino quanto nos de teste. Já o overfitting ocorre quando o modelo se ajusta excessivamente aos dados de treino, inclusive ao ruído, e por isso não generaliza bem para novos dados – exatamente o que o enunciado descreve.
NÃO CAIA NESSA!
A banca troca os conceitos de underfitting e overfitting – uma confusão clássica. Lembre-se: under = abaixo (modelo subajustado, não aprende o suficiente); over = acima (modelo superajustado, decora os dados). No overfitting, o desempenho no treino é alto, mas cai drasticamente no teste.
Conceitos básicos:
Underfitting: modelo muito simples (alta viés), não captura a complexidade dos dados. Exemplo: regressão linear em dados não lineares.
Overfitting: modelo muito complexo (alta variância), memoriza os dados, incluindo ruído. Exemplo: árvore de decisão com muitos níveis.
A tabela abaixo resume as diferenças:
Característica
Underfitting
Overfitting
Ajuste aos dados de treino
Baixo (não aprende bem)
Muito alto (aprende até ruído)
Desempenho em novos dados
Baixo
Baixo (não generaliza)
Viés (bias)
Alto
Baixo
Variância (variance)
Baixo
Alto
Causa comum
Modelo simples demais
Modelo complexo demais
Portanto, a afirmação está ERRADA, pois troca a definição de underfitting pela de overfitting.