Questão de Engenharia de Software — Inteligencia Artificial — CESPE / CEBRASPE 2026
Engenharia de Software›Inteligencia Artificial
Código
ce225576
Banca
CESPE / CEBRASPE
Órgão
IPAAM
Ano
2026
Nível
Superior
Cargo
Analista Ambiental – Especialidade: Análise de Sistemas
No IPAAM, analistas ambientais desenvolvem um sistema para análise preditiva de desmatamento na Amazônia, utilizando técnicas de aprendizado de máquina. Nesse contexto, o modelo treinado classifica áreas de floresta como suscetíveis ou não a degradação, com base em dados geoespaciais e históricos.No processo de treinamento do modelo de classificação, o método utilizado para ajustar os parâmetros e minimizar erros de predição envolve
Atreinamento iterativo em todo o dataset, sem conjunto de validação separado para otimização.
Bseparação estratificada dos dados, garantindo-se equilíbrio de classes apenas no conjunto de teste.
Caplicação de validação cruzada k-fold adaptada para séries temporais, preservando-se dependência sequencial.
Ddivisão aleatória dos dados em grupos para validação cruzada, sem se considerar ordem temporal.
Euso exclusivo de divisão treino/teste com proporção fixa 80/20, ignorando-se validação intermediária.
Revelar gabarito e comentário▾
GabaritoC — aplicação de validação cruzada k-fold adaptada para séries temporais, preservando-se dependência sequencial.
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: Validação Cruzada para Séries Temporais
Gabarito: C. Em problemas com dados temporais (como análise histórica de desmatamento), a validação cruzada k-fold tradicional (aleatória) quebra a ordem cronológica, causando vazamento de dados futuros para o treino. A abordagem correta é usar uma adaptação que preserve a dependência sequencial, como forward chaining ou time series split, garantindo que o modelo seja avaliado em dados futuros não vistos durante o treinamento. Esse é exatamente o método descrito na alternativa C.
A questão testa o conhecimento sobre como evitar overfitting e garantir generalização em séries temporais, um tema recorrente em concursos da CESPE/CEBRASPE.
1Dados históricos ordenados
2Treino com dados passados
3Teste com dados futuros
4Preserva dependência sequencial
5Evita vazamento de dados
LEVEL · soulevel.com.br
Alternativa A — ❌ Incorreta
Treinar iterativamente em todo o dataset sem um conjunto de validação separado impede a avaliação real do modelo e o ajuste de hiperparâmetros, favorecendo overfitting. O erro está em não separar dados para validação.
Alternativa B — ❌ Incorreta
A separação estratificada deve ser aplicada em toda a divisão (treino e teste) para manter a proporção de classes. A afirmativa restringe o equilíbrio apenas ao conjunto de teste, o que é insuficiente e pode distorcer o treinamento.
Alternativa C — ✅ Correta ⟵ GABARITO
A validação cruzada k-fold adaptada para séries temporais respeita a ordem cronológica, treinando o modelo apenas com dados passados e testando com dados futuros. Isso evita o vazamento de informação e produz uma estimativa mais realista do desempenho preditivo.
Alternativa D — ❌ Incorreta
Dividir aleatoriamente os dados para validação cruzada sem considerar a ordem temporal é inadequado para séries temporais, pois dados futuros podem contaminar o treino, levando a métricas otimistas e irreais.
Alternativa E — ❌ Incorreta
Usar apenas divisão treino/teste fixa (80/20) sem validação intermediária não permite ajustar hiperparâmetros nem detectar overfitting. A validação cruzada (ou um conjunto de validação separado) é necessária para otimização do modelo.
NÃO CAIA NESSA!
A banca pode levar o candidato a escolher a alternativa D (validação cruzada aleatória) por ser a técnica mais comum em problemas não temporais. A chave é identificar que dados históricos e geoespaciais têm dependência temporal, exigindo adaptação. Atente-se ao contexto: “dados históricos” e “suscetíveis a degradação” indicam série temporal.