Questão de Engenharia de Software — Inteligencia Artificial — FCC 2025
Engenharia de Software›Inteligencia Artificial
Código
fc074025
Banca
FCC
Órgão
TRF - 4ª REGIÃO
Ano
2025
Nível
Superior
Cargo
Analista Judiciário - Área Apoio Especializado - Especialidade: Análise de Sistemas de Informação
Em um projeto de implantação de sistemas de apoio à decisão judicial, a equipe de analistas de um tribunal se depara com a necessidade de avaliar o desempenho de diferentes modelos de aprendizado de máquina. Durante os testes, observa-se que um dos modelos apresenta excelente desempenho nos dados de treinamento, mas performance insatisfatória nos dados de validação. Para diagnosticar e corrigir problemas como esse e selecionar o modelo mais adequado, a equipe deve considerar conceitos como
Anormalização de variáveis de entrada, ajuste de hiperparametros e ênfase na acurácia como principal métrica para todos os conjuntos de dados.
Boverfitting, análise de precisão e recall, uso do F1-score e interpretação da curva ROC.
Campliação do conjunto de treino e avaliação do desempenho com base em métricas simples, como o percentual de acertos em dados conhecidos.
Dsubstituição de validação cruzada por divisão fixa dos dados, acompanhada de repetição de testes em conjuntos balanceados.
Eanálise do tempo de processamento em paralelo as métricas de avaliação, priorizando modelos com melhor desempenho computacional em tarefas especificas.
Revelar gabarito e comentário▾
GabaritoB — overfitting, análise de precisão e recall, uso do F1-score e interpretação da curva ROC.
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”.
Avaliação de modelos de aprendizado de máquina
Gabarito: letra B. A questão descreve o cenário clássico de overfitting: modelo com excelente desempenho nos dados de treinamento e performance insatisfatória nos dados de validação. Para diagnosticar esse problema e selecionar o modelo mais adequado, a equipe deve considerar conceitos como overfitting, análise de precisão e recall, uso do F1-score e interpretação da curva ROC. Essas métricas permitem avaliar o equilíbrio entre viés e variância e a capacidade de generalização do modelo.
Critério
Alternativa B (Gabarito)
Alternativa A
Alternativa C
Alternativa D
Alternativa E
Diagnóstico do problema
Overfitting (explicitamente citado)
Não aborda overfitting
Não aborda overfitting
Não aborda overfitting
Não aborda overfitting
Métricas de avaliação
Precisão, recall, F1-score, curva ROC
Apenas acurácia
Apenas acurácia (percentual de acertos)
Não especifica métricas
Não especifica métricas
Técnica de validação
Não especifica, mas compatível com validação cruzada
Não especifica
Não especifica
Divisão fixa (regressão metodológica)
Não especifica
Tratamento de overfitting
Análise de viés-variância via métricas
Ajuste de hiperparâmetros (parcial)
Ampliação do conjunto de treino (parcial)
Não propõe tratamento
Não propõe tratamento
Abrangência da solução
Completa (diagnóstico + métricas robustas)
Incompleta (ignora métricas essenciais)
Insuficiente (métrica inadequada)
Incorreta (piora a avaliação)
Incorreta (foco em desempenho computacional)
Alternativa A — ❌ Incorreta
A normalização de variáveis de entrada é uma técnica de pré-processamento que pode ajudar na convergência de algoritmos, mas não é a principal ferramenta para lidar com overfitting. Além disso, enfatizar apenas a acurácia como métrica principal é problemático, especialmente em conjuntos desbalanceados. O ajuste de hiperparâmetros é relevante, mas a alternativa ignora métricas mais robustas como precisão/recall e F1.
Alternativa B — ✅ Correta ⟵ GABARITO
A alternativa reúne os conceitos fundamentais: overfitting (diagnóstico do problema), precisão e recall (métricas baseadas na matriz de confusão), F1-score (média harmônica entre precisão e recall) e curva ROC (relação entre taxa de verdadeiros positivos e falsos positivos). Esses elementos são essenciais para avaliar e comparar modelos de aprendizado de máquina.
Alternativa C — ❌ Incorreta
Ampliar o conjunto de treino pode ajudar a reduzir overfitting, mas não é a única nem a principal abordagem. Avaliar o desempenho com base no percentual de acertos (acurácia) em dados conhecidos (treino) é justamente o que mascara o overfitting — a métrica deve ser aplicada em dados de validação ou teste. A alternativa é insuficiente e incompleta.
Alternativa D — ❌ Incorreta
Substituir validação cruzada por divisão fixa dos dados é uma regressão metodológica: a validação cruzada reduz a variância da estimativa de desempenho, enquanto a divisão fixa pode levar a avaliações enviesadas. A repetição de testes em conjuntos balanceados não compensa a perda de robustez. A proposta vai na direção oposta das boas práticas.
Alternativa E — ❌ Incorreta
Análise de tempo de processamento é um critério não funcional (desempenho computacional), mas não é relevante para diagnosticar overfitting ou selecionar o modelo com base em sua capacidade preditiva. As métricas de avaliação devem priorizar a qualidade da predição, não apenas a eficiência computacional.
PEGA ESSA DICA!
Em questões de machine learning, sempre desconfie de alternativas que focam apenas em acurácia ou em métricas simplistas. O overfitting é detectado pela discrepância treino-validação; as métricas adequadas incluem precisão, recall, F1 e ROC. A validação cruzada é uma prática recomendada, nunca deve ser substituída por divisão fixa sem justificativa.