Pular para o conteúdo principal

Questão de Engenharia de Software — Inteligencia Artificial — FGV 2024

Engenharia de SoftwareInteligencia Artificial
Código
fg077008
Banca
FGV
Órgão
CGE-PB
Ano
2024
Nível
Superior
Cargo
Auditor de Contas Públicas - Auditoria de Tecnologia da Informação
O auditor de contas públicas João está desenvolvendo um modelo de aprendizado de máquina para identificar transações financeiras suspeitas em uma auditoria de contas. Após treinar o modelo, João observa que esse tem um desempenho excelente nos dados de treinamento, mas apresenta um desempenho ruim nos dados de teste, com uma alta taxa de erro.Nesse contexto, o problema observado por João, do modelo ajustar-se excessivamente aos dados de treinamento, é denominado:
  1. Abias (viés);
  2. Boverfitting;
  3. Cunderfitting;
  4. Doversampling;
  5. Eundersampling.
Revelar gabarito e comentário

GabaritoB — overfitting;

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 – Overfitting

Gabarito: letra B. O problema descrito — excelente desempenho nos dados de treinamento e desempenho ruim nos dados de teste (alta taxa de erro) — é classicamente denominado overfitting (sobreajuste). O modelo "decora" os dados de treino e perde capacidade de generalização, conforme o conceito amplamente difundido em aprendizado de máquina.

Alternativa A — ❌ Incorreta

Bias (viés) está associado ao underfitting, não ao overfitting. O underfitting ocorre quando o modelo não consegue aprender o suficiente dos dados, apresentando alto erro tanto em treino quanto em teste.

Alternativa B — ✅ Correta ⟵ GABARITO

Overfitting é exatamente o que João observou: o modelo se ajusta excessivamente aos dados de treinamento, resultando em baixo erro em treino mas alto erro em teste, ou seja, baixa capacidade de generalização.

Alternativa C — ❌ Incorreta

Underfitting é o oposto: o modelo não captura padrões relevantes, gerando alto erro tanto em treino quanto em teste.

Alternativa D — ❌ Incorreta

Oversampling é uma técnica de balanceamento de classes (aumentar exemplos da classe minoritária), não um problema de ajuste do modelo.

Alternativa E — ❌ Incorreta

Undersampling é outra técnica de balanceamento (reduzir a classe majoritária), não um problema de overfitting.

NÃO CAIA NESSA!

A banca explora a confusão clássica entre overfitting e underfitting. Lembre-se: overfitting = modelo muito complexo, decora os dados; underfitting = modelo muito simples, não aprende. O desempenho em treino é o sinal decisivo.

Gabarito: letra B.

Link permanente: /questoes/fg077008