Pular para o conteúdo principal

Questão de Banco de Dados — Administração de banco de dados — FGV 2022

Banco de DadosAdministração de banco de dados
Código
fg047189
Banca
FGV
Órgão
CGU
Ano
2022
Nível
Superior
Cargo
Auditor Federal de Finanças e Controle - Tecnologia da Informação
Um time de ciência de dados utilizou um modelo linear para resolver uma tarefa de análise de dados financeiros provenientes de diferentes unidades de uma organização. Um membro do time, que não participou da modelagem, testa o modelo e verifica que ele apresenta um péssimo resultado.Preocupado, ele busca os resultados apresentados no treino e pode concluir que ocorreu:
  1. Aunderfitting, se o resultado do treino foi ótimo. Uma possível solução é a utilização de um modelo mais complexo e a redução do tempo de treinamento;
  2. Bunderfitting, se o resultado do treino também foi péssimo. Uma possível solução é a utilização de um modelo menos complexo e métodos de validação cruzada;
  3. Coverfitting, se o resultado do treino também foi péssimo. Uma possível solução é a utilização de técnicas de regularização e métodos de validação cruzada;
  4. Doverfitting, se o resultado do treino foi ótimo. Uma possível solução é a utilização de um modelo menos complexo e métodos de validação cruzada;
  5. Eoverfitting, se o resultado do treino foi ótimo. Uma possível solução é a utilização de um modelo mais complexo e o aumento do tempo de treinamento
Revelar gabarito e comentário

GabaritoD — overfitting, se o resultado do treino foi ótimo. Uma possível solução é a utilização de um modelo menos complexo e métodos de validação cruzada;

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”.

Overfitting e Underfitting em Modelos Lineares

Gabarito: letra D. Quando o modelo apresenta péssimo resultado nos dados de teste, mas obteve ótimo desempenho no treino, o problema é overfitting (ajuste excessivo). A solução clássica é reduzir a complexidade do modelo (ex.: menos parâmetros, regularização) e aplicar validação cruzada para melhorar a generalização – exatamente o que a alternativa D descreve.

A banca testa o entendimento da relação entre desempenho em treino e teste. Em modelos de aprendizado de máquina:

  • Underfitting (subajuste): o modelo é muito simples para capturar a complexidade dos dados. Resultado: desempenho ruim tanto no treino quanto no teste. Solução: aumentar a complexidade (mais parâmetros, mais tempo de treino, mais features).

  • Overfitting (sobreajuste): o modelo se ajusta excessivamente aos dados de treino, incluindo ruído. Resultado: desempenho ótimo no treino, mas ruim no teste. Solução: reduzir a complexidade (modelo mais simples, regularização, parada antecipada) e usar validação cruzada.

Analisando cada alternativa:

Treino ótimo
Treino péssimo
Teste ótimo
Overfitting
Underfitting
Teste péssimo
Modelo ideal
Underfitting
LEVEL · soulevel.com.br

Alternativa A — ❌ Incorreta

Afirma underfitting com treino ótimo – contradição: underfitting tem treino ruim. A solução proposta (modelo mais complexo + redução do tempo de treinamento) é incoerente: reduzir tempo de treino pioraria o underfitting.

Alternativa B — ❌ Incorreta

Diagnóstico correto (underfitting com treino péssimo), mas solução errada: modelo menos complexo agravaria o underfitting. A solução adequada é aumentar a complexidade, não diminuir.

Alternativa C — ❌ Incorreta

Diagnóstico errado: overfitting não produz treino péssimo; o desempenho no treino é justamente muito bom. A solução (regularização + validação cruzada) seria aplicável a overfitting, mas não se encaixa no contexto de treino péssimo.

Alternativa D — ✅ Correta ⟵ GABARITO

Diagnóstico correto: overfitting, pois treino ótimo e teste péssimo. Solução adequada: reduzir a complexidade do modelo (menos complexo) e usar validação cruzada, que ajuda a avaliar a generalização e pode ser combinada com regularização.

Alternativa E — ❌ Incorreta

Diagnóstico correto (overfitting com treino ótimo), mas solução oposta ao necessário: aumentar a complexidade e o tempo de treinamento intensificaria o overfitting, piorando ainda mais a generalização.

NÃO CAIA NESSA!

A banca explora a confusão comum entre underfitting e overfitting. Lembre: treino ruim + teste ruim = underfitting; treino ótimo + teste ruim = overfitting. A solução para cada um é oposta.

Gabarito: letra D.

Link permanente: /questoes/fg047189