Engenharia de Software · FGV · 2024 | Questão sqc-fg077328

Engenharia de SoftwareInteligencia Artificial

Código: fg077328
Banca: FGV
Órgão: CVM
Ano: 2024
Nível: Superior

Cargo: Analista - Perfil 7 - Ciência de Dados - Tarde

A abordagem que garante uma exploração completa das combinações de hiperparâmetros na identificação da configuração ideal para maximizar o desempenho do modelo de aprendizado de máquina é a:

Arealização de uma Grid Search, explorando sistematicamente os valores de hiperparâmetros predefinidos para identificar a combinação ideal para maximizar o desempenho do modelo;
Butilização de uma Busca Aleatória, amostrando aleatoriamente o espaço de hiperparâmetros, oferecendo uma abordagem mais eficiente para o ajuste de hiperparâmetros em comparação com os métodos exaustivos;
Cimplementação de uma Validação Cruzada K-fold, particionando o conjunto de dados em K subconjuntos para treinar e avaliar iterativamente o modelo, fornecendo uma avaliação robusta de seu desempenho de generalização;
Daplicação de métodos Ensemble, combinando vários modelos para aproveitar suas diversas forças, visando a melhorar o desempenho geral, particularmente quando os modelos individuais apresentam diferentes tipos de erros;
Eutilização de uma Feature Scaling, normalizando a escala das características de entrada para garantir comparações justas entre diferentes variáveis, o que é particularmente benéfico para algoritmos sensíveis a diferenças de escala.

Revelar gabarito e comentário

GabaritoA — realização de uma Grid Search, explorando sistematicamente os valores de hiperparâmetros predefinidos para identificar a combinação ideal para maximizar o desempenho do modelo;

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”.

Otimização de Hiperparâmetros em Aprendizado de Máquina

Gabarito: letra A. A Grid Search (Busca em Grade) é o método que garante exploração completa e sistemática de todas as combinações de hiperparâmetros predefinidos, visando maximizar o desempenho do modelo. As demais alternativas não oferecem essa garantia de exaustividade.

Alternativa A — ✅ Correta ⟵ GABARITO

A Grid Search percorre exaustivamente todas as combinações possíveis de hiperparâmetros dentro de uma grade definida. Isso garante a exploração completa do espaço pré-estabelecido, assegurando que a melhor combinação dentro desse conjunto seja encontrada.

Alternativa B — ❌ Incorreta

A Busca Aleatória (Random Search) amostra aleatoriamente o espaço de hiperparâmetros. Embora seja mais eficiente que a Grid Search em espaços grandes, não garante a exploração completa de todas as combinações, pois é baseada em sorteio, podendo deixar regiões inexploradas.

Alternativa C — ❌ Incorreta

A Validação Cruzada K-fold é uma técnica de avaliação de desempenho do modelo, não de busca de hiperparâmetros. Ela particiona os dados para estimar a capacidade de generalização, mas não realiza a exploração de combinações de hiperparâmetros.

Alternativa D — ❌ Incorreta

Os métodos Ensemble combinam múltiplos modelos para melhorar a performance preditiva, mas não se destinam à otimização de hiperparâmetros. São uma estratégia de modelagem, não de busca de configuração.

Alternativa E — ❌ Incorreta

O Feature Scaling (normalização/padronização) é uma etapa de pré-processamento que ajusta a escala das variáveis de entrada. Não tem relação com a exploração de combinações de hiperparâmetros.

Link permanente: /questoes/fg077328