Questão de Engenharia de Software — Inteligencia Artificial — CESPE / CEBRASPE 2026
Engenharia de Software›Inteligencia Artificial
Código
ce229309
Banca
CESPE / CEBRASPE
Órgão
TCE-RN
Ano
2026
Nível
Superior
Cargo
Analista Administrativo - Especialidade: Tecnologia da Informação
Em algoritmos de aprendizado de máquina, a validação cruzada (cross-validation) é utilizada para aumentar o conjunto de treinamento ao duplicar os dados disponíveis, elevando assim a capacidade de generalização do modelo.
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”.
Validação Cruzada (Cross-Validation) em Aprendizado de Máquina
✅ ERRADO. A afirmação está incorreta: a validação cruzada não tem por objetivo aumentar o conjunto de treinamento por duplicação de dados. Ela é uma técnica de avaliação da capacidade de generalização do modelo, que particiona os dados em subconjuntos para treino e teste de forma iterativa, sem criar novos dados. O conceito descrito é de data augmentation (aumento de dados), não de validação cruzada.
A validação cruzada (cross-validation) é uma técnica para avaliar a capacidade de generalização de um modelo, a partir de um conjunto de dados. Com essa técnica, busca-se estimar o quão preciso é um modelo na prática, ou seja, o seu desempenho em um novo conjunto de dados. Os conjuntos de treinamento e teste permanecem disjuntos – não há duplicação dos dados para aumentar o treino.
Validação cruzada (cross-validation): Objetivo (Avaliar generalização do modelo, Estimar desempenho em novos dados); Como funciona (Particiona dados em subconjuntos, Treino e teste disjuntos, Iteração alternando as partições); Não é (Aumento do conjunto de treino, Duplicação de dados, Data augmentation)
NÃO CAIA NESSA!
A banca troca o propósito da validação cruzada (avaliação) pelo de aumento de dados (data augmentation). O candidato pode confundir os conceitos. Lembre-se: validação cruzada não gera novos dados; ela apenas reutiliza os dados existentes em diferentes partições para estimar o erro de generalização.