Questão de Engenharia de Software — Inteligencia Artificial — CESPE / CEBRASPE 2025
Engenharia de Software›Inteligencia Artificial
Código
ce214839
Banca
CESPE / CEBRASPE
Órgão
SEFAZ-SE
Ano
2025
Nível
Superior
Cargo
Auditor Fiscal Tributário - Geral
No que diz respeito ao fenômeno de sobreajuste (overfitting), assinale a opção correta.
AO sobreajuste ocorre quando um modelo preditivo é avaliado por seu desempenho em exemplares não utilizados no treinamento, o que resulta em avaliações positivas.
BModelos que se sobreajustam não representam os dados de treinamento com total fidelidade, o que resulta em avaliações ruins para todos os tipos de exemplares.
CO sobreajuste é um fenômeno benéfico, pois garante que o modelo preditivo seja altamente preciso tanto para dados de treinamento quanto para novos exemplares.
DO sobreajuste ocorre apenas quando o conjunto de dados de treinamento é muito pequeno, podendo ser solucionado com a sintonização manual dos parâmetros do modelo.
EModelos que se sobreajustam representam os exemplares de treinamento com alta fidelidade, mas perdem desempenho quando aplicados a novos exemplares, o que resulta em avaliações ruins.
Revelar gabarito e comentário▾
GabaritoE — Modelos que se sobreajustam representam os exemplares de treinamento com alta fidelidade, mas perdem desempenho quando aplicados a novos exemplares, o que resulta em avaliações ruins.
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 Modelos Preditivos
Gabarito: letra E. O overfitting (sobreajuste) é caracterizado por um modelo que se ajusta excessivamente aos dados de treinamento, capturando ruídos e padrões específicos, o que resulta em alto desempenho nos dados de treino, mas baixo desempenho em novos dados (falta de generalização). A alternativa E descreve exatamente esse fenômeno.
A banca testa o conhecimento do conceito fundamental de overfitting, que é um dos problemas mais comuns em machine learning. É essencial distinguir overfitting de underfitting e reconhecer que o modelo 'decora' os dados de treino, não generaliza.
Overfitting (sobreajuste): Características (Alta fidelidade nos dados de treino, Baixo desempenho em novos dados, Captura ruídos e padrões específicos); Causas (Modelo muito complexo, Dados de treino insuficientes); Soluções (Regularização, Validação cruzada, Redução de dimensionalidade, Sintonização de parâmetros); Contraste (Underfitting (baixa fidelidade em ambos))
Alternativa A — ❌ Incorreta
O overfitting é avaliado pelo desempenho nos dados de treinamento, não nos não utilizados. Um modelo sobreajustado tem avaliações positivas no treino, mas ruins em novos dados. A alternativa inverte a situação: ela diz que a avaliação é feita em exemplares não utilizados e que isso resulta em avaliações positivas – o que é falso, pois nesses dados o desempenho é baixo.
Alternativa B — ❌ Incorreta
Modelos sobreajustados representam os dados de treinamento com total fidelidade (alta fidelidade), justamente por isso perdem capacidade de generalização. A alternativa afirma o contrário: que eles 'não representam os dados de treinamento com total fidelidade'. Na verdade, eles representam demais, inclusive o ruído.
Alternativa C — ❌ Incorreta
O overfitting é prejudicial, não benéfico. Ele garante alta precisão apenas nos dados de treinamento, mas péssimo desempenho em novos dados. A alternativa afirma que é benéfico e que garante precisão tanto para treino quanto para novos exemplares – o que é completamente errado.
Alternativa D — ❌ Incorreta
O overfitting pode ocorrer mesmo com grandes conjuntos de dados, se o modelo for muito complexo (ex.: árvore muito profunda, muitas variáveis). A alternativa diz que ocorre 'apenas' quando o conjunto é muito pequeno, o que é uma generalização indevida. Além disso, a sintonização manual de parâmetros não é a única solução; existem técnicas como regularização, validação cruzada, redução de dimensionalidade, etc.
Alternativa E — ✅ Correta ⟵ GABARITO
Exatamente: modelos sobreajustados representam os exemplares de treinamento com alta fidelidade (aprendem o ruído) e, por isso, perdem desempenho quando aplicados a novos exemplares. É a definição clássica de overfitting. Conforme o conteúdo de apoio: 'O overfitting (sobreajuste) 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!
Na prova, a banca costuma trocar as características de overfitting e underfitting. Lembre-se: overfitting = alta variância, baixo viés, modelo complexo, decora os dados treino, ruim na generalização. Underfitting = alto viés, baixa variância, modelo simples, ruim tanto no treino quanto no teste.